Siber güvenlikte makine öğrenimi tabanlı zararlı yazılımların algılanması ve analizi
Detection and analysis of malicious software in cybersecurity using machine learning
- Tez No: 895943
- Danışmanlar: DR. ÖĞR. ÜYESİ SELMAN HIZAL
- 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: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Zararlı yazılımlar, hızla ilerleyen teknolojik gelişmelere uyum sağlayarak siber güvenlik alanında ciddi bir tehdit oluşturmakta ve bu tehditler, sürekli evrilen doğaları nedeniyle geleneksel güvenlik önlemlerini aşma potansiyeline sahiptir. Bu bağlamda, bu tez çalışması, zararlı yazılımların tespiti ve engellenmesini iyileştirmek amacıyla makine öğrenmesi (ML) tekniklerini entegre eden yenilikçi bir yaklaşım sunmayı hedeflemektedir. Çalışma, casus yazılım, fidye yazılımı ve truva atları gibi yaygın zararlı yazılım türlerini kapsayan ve gerçek dünya verilerini yansıtan CIC-MalMem-2022 veri kümesini kullanmaktadır. Bu veri kümesi, zararlı yazılımların tespitinde kullanılacak modellerin etkinliğini artırmak için zengin bir veri kaynağı sağlamaktadır. Tezde, zararlı yazılımların tespiti için ML algoritmalarının performansı, yüzde bölme ve 10 katlı çapraz doğrulama gibi çeşitli deneysel koşullar altında değerlendirilmiştir. Değerlendirmeler, ikili ve çok sınıflı sınıflandırma görevleri kapsamında gerçekleştirilmiş olup, Rastgele Ağaç (RT), Rastgele Orman (RF), J-48 (C4.5), Naive Bayes (NB) ve XGBoost algoritmaları incelenmiştir. Elde edilen sonuçlar, RF, J-48 ve XGBoost algoritmalarının yüksek doğruluk oranları ile öne çıktığını göstermiştir. Özellikle RF ve XGBoost algoritmaları, zararlı yazılım tespitinde üstün performans sergileyerek siber güvenlik alanında önemli katkılar sağlamıştır. Naive Bayes algoritması ise, genel olarak rekabetçi bir performans sergilemiş ancak dengesiz veri kümeleri ve çok sınıflı sınıflandırma görevlerinde bazı zorluklarla karşılaşmıştır. Bu bulgular, gelişmiş ML tekniklerinin zararlı yazılım tespitinde ne kadar etkili olabileceğini açıkça ortaya koymakta ve siber güvenlik uzmanları ile araştırmacılara değerli içgörüler sunmaktadır. Gelecekteki araştırmalar için önerilen yönler arasında model hiperparametrelerinin daha da optimize edilmesi, topluluk öğrenme yaklaşımlarının detaylı incelenmesi ve değerlendirmelerin daha geniş veri kümeleri ile gerçek dünya senaryolarına genişletilmesi bulunmaktadır. Bu öneriler, zararlı yazılım tespiti için kullanılan ML tekniklerinin uygulanabilirliğini ve etkinliğini artırabilir. Sonuç olarak, bu tez çalışması, zararlı yazılım tespiti için makine öğrenmesi yöntemlerinin kullanımını genişletmeyi ve siber güvenlik alanında daha güvenli, etkili ve yenilikçi çözümler geliştirilmesine katkıda bulunmayı hedeflemektedir. Bu yaklaşım, siber tehditlerle mücadelede yeni ve etkili metodolojilerin önünü açabilir ve siber güvenlik alanında dönüşümü teşvik edebilir.
Özet (Çeviri)
Malware poses a significant threat in the cybersecurity domain, rapidly adapting to technological advancements and often surpassing traditional security measures due to its dynamic and evolving nature. This thesis presents an innovative approach to improving malware detection and prevention by integrating machine learning (ML) techniques. The study employs the CIC-MalMem-2022 dataset, which includes common types of malware such as spyware, ransomware, and Trojans, and mirrors real-world data. This dataset serves as a rich resource to enhance the effectiveness of the models used for malware detection. In this thesis, the performance of ML algorithms for malware detection is evaluated under various experimental conditions, including percentage split and 10-fold cross-validation. These evaluations are conducted across both binary and multi-class classification tasks, examining algorithms such as Random Tree (RT), Random Forest (RF), J-48 (C4.5), Naive Bayes (NB), and XGBoost. The results highlight that RF, J-48, and XGBoost achieve high accuracy rates, with RF and XGBoost, in particular, demonstrating superior performance in detecting malware, thus contributing significantly to the field of cybersecurity. Although the Naive Bayes algorithm generally displays competitive performance, it encounters challenges with imbalanced datasets and multi-class classification tasks. These findings underscore the potential effectiveness of advanced ML techniques in malware detection and offer valuable insights to cybersecurity experts and researchers. Future research directions suggested include further optimization of model hyperparameters, exploration of ensemble learning approaches, and expansion of evaluations to broader datasets and real-world scenarios. These recommendations could enhance the applicability and efficacy of ML techniques used for malware detection. In conclusion, this thesis aims to expand the use of machine learning methods in malware detection and contribute to developing safer, more effective, and innovative solutions in cybersecurity. This approach can pave the way for new and effective methodologies in combating cyber threats and promoting transformation in the field of cybersecurity.
Benzer Tezler
- Malware detection using machine learning and evolutionary algorithms
Makine öğrenmesi ve evrimsel algoritmalar kullanılarak zararlı yazılım tespiti
GÜLSADE KALE
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
DOÇ. DR. GAZİ ERKAN BOSTANCI
- Dosya başlık bilgilerine dayalı güvenli klasör sınıflandırması
Secure folder classification based on file header information
RABİA DOĞAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DOÇ. DR. HİDAYET TAKCI
- A novel two phased approach combining deep learning and machinelearning classifiers for effective detection of turkish phishing web sites
Türkçe kimlik avı web sitelerinin etkin tespiti için derin öğrenme ve makine öğrenmesi sınıflandırıcılarını birleştiren yeni, iki aşamalı bir yaklaşım
İHSAN DENİZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇAĞATAY NEFTALİ TÜLÜ
- DDoS attack detection using machine learning and deep learning methods
Makine öğrenmesi ve derin öğrenme yöntemleri ile DDoS atak tespiti
DENİZ MERVE GÜNDÜZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTED ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN KUĞU
- Akıllı araç ağlarında hibrit saldırı tespit sistemi modeli önerisi
Hybrid intrusion detection system model proposal in autonomous vehicle networks
MEHMET FATİH YÜCE
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiAkıllı Ulaşım Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERTÜRK
DOÇ. DR. MUHAMMED ALİ AYDIN