Geri Dön

Derin öğrenme yaklaşımı kullanan android uygulamaların güvenlik incelemesi

Using deep learning approach security review of android applications

  1. Tez No: 838307
  2. Yazar: YUNUS EMRE BALTACI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ARİF YELĞİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İSTANBUL TOPKAPI ÜNİVERSİTESİ
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Bilim Dalı
  13. Sayfa Sayısı: 69

Özet

Son zamanlarda yer alan Android uygulamalarının yükseliş trendine bağlı olarak, yapılan uygulamalar kötü amaçlı yazılım saldırılarının tehdidi altındadır. Bu ve buna benzer kötü amaçlı yazılım saldırılarından korunmak için kötü amaçlı yazılım tespit araçlarının geliştirilmesi gerekmektedir. Literatür taramasında kötü amaçlı yazılımları tespit edebilmek için statik yöntem ile analiz kullanan çok sayıda çalışma bulunmaktadır. Çalışmalarda uygulama kodu içerisinden API isteklerini engellemek ve bu API isteklerini, kötü amaçlı ile zararsız uygulamaları birbirinden ayırmak için bir makine öğrenimi modelini geliştirmektedir. Ancak, burada yer alan API istekleri gerçek zamanlı yürütme sırası içermez, bu yüzden kapsamlı bir şekilde istekleri yakalamada net sonuç elde edilememektedir. Yapılan tespitin doğruluğunu değerlendirme aşamasında, önceden yapılan çalışmaların %80 mekansal olarak tutarsız (testlerde yer alan kötü amaçlı yazılım oranları) veya zamansal olarak tutarsızdır. (Rastgele test seti) Oluşan modelin performansını daha iyi düzeyde olması için eğitim ve test verilerinin birbirinden ayrı olması gerekmektedir. Yapılan çalışmalarda, API isteklerinin o an yer alan sırasını izlemenin, rastgele oluşturulan test setinde test etmekten ziyade mekansal ve zamansal olarak daha tutarlı bir test veri setinde test etmenin doğrulama sürecinin verimliliğini artırıp artırmayacağını daha sağlıklı bir şekilde CapsGNN ile doğrulanmıştır. Yapılan çalışmaların sonuçlarını gösteren, API isteklerinin sırasını doğru bir şekilde saklayan API dizi diyagramlarını kullanarak derin öğrenme tabanlı kötü amaçlı yazılım sınıflandırmasını gerçekleştirdik. Elde edilen sonuçlarda, en iyi performansı gösteren modellerin tutarlılığı 0,97-0,86 AuPRC değerlerine ve 0,95-0,83 arasında F1 puan setlerine ulaştığı görülmüştür.

Özet (Çeviri)

Due to the uptrend of Android apps in recent times, the apps provide are under the threat of malware attacks. Malware detection tools need to be developed to protect against this and similar malware attacks. In the literature review, there are many studies that use static analysis to detect malware. As an example of the studies, a machine learning model is trained to block API requests from within the application code and to distinguish these API requests from malicious and harmless applications. However, the API requests contained herein do not include real-time execution sequence, so it may not be clear in capturing requests comprehensively. At the stage of evaluating the accuracy of the detection, 80% of previous studies are spatially inconsistent (percentages of malware in the tests) or temporally inconsistent. (random test set) In order for the resulting model to perform better, the training and test data must be separate from each other. In the studies, we have more robustly validated whether following the current order of API requests will improve the efficiency of the validation process by testing on a more spatially and temporally consistent test dataset than testing on a randomly generated test set. We performed deep learning-based malware classification using API sequence diagrams that accurately store the order of API requests, showing the results of the work done. Consistency of the best performing models in the results obtained, It was observed that it reached AuPRC values of 0.97-0.86 and F1 score sets between 0.95-0.83.

Benzer Tezler

  1. Artificial intelligence based android assistant for colorimetric detection

    Kolorimetrik tespit için yapay zeka tabanlı android asistanı

    VAKKAS DOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VOLKAN KILIÇ

    DOÇ. DR. MUSTAFA ŞEN

  2. Derin öğrenme yaklaşımı ile pulmoner nodül karar destek sistemi

    Pulmonary nodule decision support system with deep learning approach

    HİLAL TİRYAKİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURÇİN KURT

  3. Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar

    Densely connected structures in deep learning based image denoising

    VEDAT ACAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

  4. Endüstri 4.0 için derin öğrenme kullanan durum izleme ve kestirimci bakım yöntemlerinin geliştirilmesi

    Development of condition monitoring and predictive maintenance methods using deep learning for industry 4.0

    SEYFULLAH KANER

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLHAN AYDIN

  5. Sürdürülebilir moda ürünlerinin derin öğrenme yaklaşımı kullanarak analizi

    Analysis of sustainable fashion products using a deep learning approach

    MUAZZEZ ÇETİNER

    Doktora

    Türkçe

    Türkçe

    2022

    Giyim EndüstrisiSüleyman Demirel Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. MUSTAFA ZİHNİ TUNCA