Oy birliği ve özelleşmiş sınıflandırıcılar ile zararlı yazılım tespiti
Malware detection using consensus learning and specialized classifiers
- Tez No: 767921
- Danışmanlar: DOÇ. DR. MURAT DENER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kümeleme, Sınıflandırma, Toplu öğretim, Zararlı yazılım analizi, Clustering, Classification, Collective learning, Malware analysis
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital dünyaya yönelik tehditlerin en yaygın olarak karşılaşılan çeşitlerinden bir tanesi zararlı yazılımlardır. Bu tür yazılımlar, saldırganların kötücül amaçlarını gerçekleştirmek için kullandığı kodlardır. Mevcut ve yeni zararlı yazılımların bilgi varlıklarına zarar vermeden tespit edilmesi ve engellenmesi büyük önem arz etmektedir. Zararlı yazılımların tespit edilmesi için makine öğrenmesi yaklaşımları etkin bir şekilde kullanılmaktadır. Bu tez çalışmasında, denetimli ve denetimsiz öğrenme algoritmalarının birlikte kullanıldığı bir model sunulmaktadır. Sunulan model yüksek doğruluk ve f1 skoruyla mümkün olan en kısa sürede tahmin gerçekleştirmektedir. Modelin ilk aşamasında veriler K-ortalamalar algoritmasıyla kümelenmektedir. İkinci aşamasında ise ilgili küme için en iyi tahmin performansına sahip sınıflandırıcı kombinasyonu ile tahmin gerçekleştirilmektedir. İkinci aşamada kümelere göre en iyi sınıflandırıcılar seçilirken on makine öğrenme algoritmasının (Kernel Destek Vektör Makinesi, K-En Yakın Komşu, Naïve Bayes, Karar Ağacı, Rastgele Orman, Ekstra Gradian Yükseltme, Kategorik Yükseltme, Adaptif Yükseltme, Ekstra Ağaçlar ve Gradyan Yükseltme) üçlü kombinasyonu alınmaktadır. Seçilen üçlü sınıflandırıcı kombinasyonu iki kademede konumlandırılmaktadır. Tahmin süresi en yüksek olan sınıflandırıcının ikinci kademede olacak şekilde konumlandırılması sayesinde modelin tahmin süresi iyileştirilmektedir. Modelin tahmin performansı, BODMAS veri seti, Kaggle Zararlı Yazılım Tespiti veri seti, EMBER 2018 veri seti ve özgün veri setiyle, doğruluk ve f1 skoru değerleri kullanılarak sunulmaktadır. Model BODMAS veri setinde %99,74 doğruluk ve %99,77 f1 skoru, EMBER veri setinde %96,77 doğruluk ve %96,77 f1 skoru sağlamakta olup, aynı veri setleri kullanılarak gerçekleştirilen çalışmalardan daha iyi performans göstermektedir.
Özet (Çeviri)
One of the most common types of threats to the digital world is malicious software. This type of software is the code that attackers use to accomplish their malicious purposes. It is of great importance to detect and prevent existing and new malware without damaging information assets. Machine learning approaches are used effectively to detect malicious software. In the study, a model in which supervised and unsupervised learning algorithms used together is presented. The presented model makes predictions in the shortest possible time with high accuracy and f1 score. In the first stage of the model, the data are clustered with the K-means algorithm. In the second stage, the prediction is made with the combination of the classifier with the best prediction performance for the related cluster. In the second step, while choosing the best classifiers for the given clusters, a triple combination of ten machine learning algorithms (Kernel SVM, K-Nearest Neighbor, Naïve Bayes, Decision Tree, Random Forest, Extra Gradient Boosting, Categorical Boosting, Adaptive Boosting, Extra Trees, and Gradient Boosting) is used. The selected triple classifier combination is positioned in two stages. The prediction time of the model is improved by positioning the classifier with the highest prediction time to be in the second stage. The prediction performance of the model is presented using the BODMAS dataset, the Kaggle Malware Detection Dataset, EMBER 2018 dataset and the original dataset, and the accuracy and f1-score values are presented. The proposed methods has 99,74% accuracy and 99,77% f1 score for BODMAS dataset, and 96,77% accuracy and 96,77% f1 score for EMBER dataset. The proposed method's prediction performance is better than the rest of the studies in the literature in which BODMAS and EMBER datasets are used.
Benzer Tezler
- Üniversite seçmeli resim derslerinin günümüzdeki durumu
Başlık çevirisi yok
K. BERRİN TEKİNER
Yüksek Lisans
Türkçe
1992
Eğitim ve ÖğretimGazi ÜniversitesiUygulamalı Resim Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. SERAP ETİKE
- Avrupa Birliği ve Avrupa Siyasi Birliği
Başlık çevirisi yok
SUNA ERGÜN (BOYLU)
Yüksek Lisans
Türkçe
1994
Uluslararası İlişkilerİstanbul ÜniversitesiSiyasi Tarih Ana Bilim Dalı
DOÇ. DR. RAUF VERSAN
- Türk tekstil ve konfeksiyon sektörünün Gümrük Birliği çerçevesinde değerlendirilmesi
Research for the effect on textile industry due to customs unification
ÇİĞDEM ÖZTÜRK
Yüksek Lisans
Türkçe
1999
Tekstil ve Tekstil Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. CEVZA CANDAN
- Avrupa Birliği Hukukunda Lizbon Antlaşması'nın getirdiği yapısal değişiklikler ve genişleme sürecine etkisi
The Lisbon Treatys' aspects to the European Union Institutions and to the enlargment in the framework of the European Union Law
MEHMET AKİF POROY
- Λυκιακὸν σύστημα'dan Λυκίων τὸ κοίνον'a: Hellenistik önceller ışığında Lykia Birliği'nin görevleri, idari yapısı ve finansmanı
From Λυκιακὸν σύστημα to Λυκίων τὸ κοίνον: The Funktion, administartive structure, and finance of Lycian League in the light of Hellenistic predecessors
SELDA YENİ
Yüksek Lisans
Türkçe
2014
Eski Çağ Dilleri ve KültürleriAkdeniz ÜniversitesiEskiçağ Dilleri ve Kültürleri Ana Bilim Dalı
YRD. DOÇ. DR. BURAK TAKMER