Derin öğrenme temelli özgün bir android kötücül yazılım tespit modeli
A novel android malware detection model based on deep learning
- Tez No: 875554
- Danışmanlar: DOÇ. DR. ABDULLAH TALHA KABAKUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 85
Özet
Android, öncelikle (i) dünyanın en yaygın kullanılan mobil işletim sistemi olması ve (ii) açık kaynaklı bir yapıya sahip olması nedeniyle kötücül yazılım geliştiricileri için önemli bir hedef haline gelmiştir. Android kötücül yazılımları kullanıcı gizliliğini tehlikeye atabilir, kullanıcıların hassas bilgilerini çalabilir, ciddi mali kayıplara neden olabilir ve cihaz işlevselliğini bozabilir. Bu nedenle, kullanıcıları ve cihazlarını korumak için etkili kötücül yazılım tespit teknikleri gereklidir. Android kötücül yazılım tespiti üzerine yapılan çalışmalar literatürde üç ana kategoriye ayrılmıştır: (i) statik analiz, (ii) dinamik analiz ve (iii) hibrit analiz. Statik analiz, bir uygulamanın kaynak kodunu, kaynaklarını ve meta verilerini yürütme olmadan incelemeye odaklanır. Dinamik analiz, uygulamanın kontrollü bir ortamda yürütülmesini ve davranışının gerçek zamanlı olarak izlenmesini içerir. Hibrit analiz ise bu iki yöntemin bir kombinasyonudur. Bu çalışmada, Android kötücül yazılım tespiti için geleneksel Makine Öğrenmesi ve derin öğrenmeye dayalı çok çeşitli modeller önerilmiştir. Önerilen modelleri eğitmek ve değerlendirmek için 3 417'si iyicil ve 3 707'si kötücül olmak üzere 7 124 Android uygulamasından oluşan benzersiz bir veri seti oluşturulmuştur. Özellik çıkarımı için önerilen yaklaşım, izinlerini ve hizmetlerini çıkarmak için derlenmiş APK arşivlerini ayrıştırmaktadır. Bu metinsel özellikler Word2Vec tekniği kullanılarak kelime vektörlerine dönüştürülmüştür. Önerilen makine öğrenimi modelleri, oluşturulan veri kümesi üzerinde eğitilmiş ve test edilmiştir. Deneysel sonuçlara göre, önerilen özgün 1-Boyutlu CNN modeli, önerilen tüm makine öğrenmesi modelleri arasında %99 gibi yüksek bir doğrulukla en iyi doğruluğu elde etmiştir.
Özet (Çeviri)
Android has become an important target for malware developers, primarily due to (i) being the world's most widely used mobile operating system and (ii) having an open-source nature. Android malware can compromise user privacy, steal users' sensitive information, cause serious financial losses, and disrupt device functionality. Therefore, effective malware detection techniques are essential to protect users and their devices. Studies on Android malware detection are categorized into three main categories in the literature: (i) static analysis, (ii) dynamic analysis, and (iii) hybrid analysis. Static analysis focuses on examining an application's source code, resources, and metadata without execution. Dynamic analysis involves executing the application in a controlled environment and monitoring its behavior in real-time. Hybrid analysis is a combination of these two methods. In this study, a wide range of models based on traditional Machine Learning (ML) and deep learning were proposed for Android malware detection. A unique dataset consisting of 7 124 Android applications, 3 417 of which are benign and 3 707 of which are malicious, was constructed to train and evaluate the proposed models. For feature extraction, the proposed approach decompiles the compiled APK archives to extract their permissions and services. These textual features were converted into word vectors using the Word2Vec technique. The proposed ML models were trained and tested on the constructed dataset. According to the experimental results, the proposed novel CNN model obtained the best accuracy, an accuracy as high as 99%, among all proposed ML models.
Benzer Tezler
- Android sistemlerde derin öğrenme tabanlı kötü amaçlı yazılım tespit sistemi
Deep learning based malware detection system on android systems
ESRA ÇALIK BAYAZIT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BUKET DOĞAN
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Nesnelerin internetinde servis kalitesinin iyileştirilmesi
Improving quality of service in internet of things
METEHAN GÜZEL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR
- Domates hastalıklarının sınıflandırılması için makine öğrenmesi ve derin öğrenme temelli yeni yaklaşımlar
New approaches to classification of tomato diseases based on machine learning and deep learning
HASAN ULUTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ
- Derin öğrenme kullanarak optik koherens tomografi görüntülerinden retina hastalığı tespiti
Retinal disease detection from optical coherence tomography images using deep learning
ŞÜKRÜ AYKAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİBEL SENAN
- Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak saldırı tespit ve önleme sistemi geliştirilmesi
Developing an intrusion detection and prevention system using machine learning and deep learning methods
MEHMET ALİ ALTUNCU
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUHAP ŞAHİN