Evaluation of modern detection techniques on evasive malware
Modern tespit tekniklerinin atlatma özellikli zararlı yazılımlar ile değerlendirilmesi
- Tez No: 582513
- Danışmanlar: PROF. DR. GÖKTÜRK ÜÇOLUK, DR. ONUR TOLGA ŞEHİTOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayar virüsleri, Derin öğrenme, Siber güvenlik, Yazılım güvenliği, Computer viruses, Deep learning, Cyber security, Software security
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zararlı yazılımlar hala en güvenli sistemlere dahi sızma yolları bulabilmektedir. Klasik imza tabanlı, buluşsal tabanlı, statik ve dinamik teknikler, yeni oluşturulmuş atlatma özelliklerine karşı yetersiz kalmaktadır. Zararlı yazılım tespiti için makine öğrenmesi gibi modern teknikler umut vaat etmekte ve hali hazırda ticari alanda da kullanılmaktadır. Zararlı yazılım tespit performansı ölçümleri için fiili standart, farklı zararlı yazılım kategorileri ile sistemin test edilmesi üzerinedir. Bu araştırma zararlı yazılım ailesine göre kategorize edilmiş kümelerin yeterli test alanını kapsayamadığını iddia etmektedir. Klasik test yöntemlerinin yanı sıra, atlatma tekniklerine göre kategorize etme yaklaşımları gereklidir. Bu tez çalışması kapsamında, yeni bir kod karıştırma odaklı test mekanizması önerilmektedir. Otomatik kaynak kodu mutasyonları aracılığıyla oluşturulan düşman örnekler, buluşsal/makine öğrenmesi çözümlerini test amacıyla kullanılmakta ve gizlenme kategorilerine göre bulunan zafiyetler ele alınmaktadır. Tez çalışmasının bir diğer amacı hedefli saldırılar ve sıfırıncı gün saldırıları için bir benzetim mekanizması oluşturmaktır. Çıktılar zararlı yazılım tespit sistemlerinin saldırı yüzeyini küçültmek ve kör noktaları yok etmek amacıyla kullanılabilir.
Özet (Çeviri)
Malware still finds its way into the most secure systems. Classical signature based, heuristic based, static and dynamic malware detection methodologies are susceptible to newly created evasion techniques. Modern technologies such as machine learning for malware detection looks promising and already commercially used. In order to evaluate malware detection performance, it is de-facto standard to conduct tests with various malware categories. This research claims family-categorized malware sets are insufficient to cover the test surface. In addition to classical test methods, an evasion-categorical approach is required. Within scope of this thesis, a novel obfuscation centric test mechanism is proposed. Using automated source code mutations, crafted adversarial samples are used to evaluate performance of heuristic/machine learning solutions and weaknesses per obfuscation category are discussed. Another aim of this thesis is to propose a testbed which simulates“0-day”and/or targeted malware attacks. Evaluation output can be used to minimize attack surface of malware detection solutions and eliminate blind spots.
Benzer Tezler
- Fotovoltaik sistemlerde hata tespiti ve sınıflandırılması için doğrusal ve doğrusal olmayan boyut azaltma tekniklerinin karşılaştırmalı bir değerlendirmesi
A comparative evaluation of linear and nonlinear dimensionality reduction techniques for fault detection and classification in photovoltaic systems
GÖKHAN KARACA
Yüksek Lisans
Türkçe
2026
Bilecik Şeyh Edebali ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Intrusion detection system based on machine learning techniques
Başlık çevirisi yok
AHMED MOHAMMED RADHI AL-MUQDADI
Yüksek Lisans
İngilizce
2021
Altınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Evaluation of the public bus transit performance based on smart card data
Akıllı kart verilerine dayalı toplu otobüs taşımacılığı performansının değerlendirilmesi
ALIASGHAR KAZEMIAFSHAR
- Sistem günlüklerinin anomali tespiti için makine öğrenimi tekniklerinin kullanılarak analiz edilmesi
Analysis of system logs using machine learning techniques for anomaly detection
SADETTİN DEMİR
- Yolov8 ve sam derin öğrenme modellerinin beyin tümörü tespiti ve segmentasyonu için mr görüntülerinde değerlendirilmesi ve entegrasyonu
Evaluation and integration of yolov8 and sam deep learning models for brain tumor detection and segmentation in mr imaging
SALAJDIN MALOKU