Efficientnet konvolüsyonel sinir ağı mimarisiyle Walware sınıflandırması
Malware classification with efficientnet convolutional neural network architecture
- Tez No: 916667
- Danışmanlar: DOÇ. DR. ADEM TEKEREK
- 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: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Malware bilgi sistemlerin tehdit eden ve kullanımını engelleyen kötücül yazılımların bütününe verilen isimdir. Günlük hayatta kullanımı zorunlu hale gelen bilgisayarlar insan hayatını kolaylaştırdığı kadar kötücül yazılımların da sürekli tehdidi altındadır. Dolayısıyla bilgisayar sistemlerini tehdit eden malwarelerin denetlenmesi ve tespit edilmesi önemlidir. Literatürde kötücül yazılımları denetlemek ve tespit etmek için çok fazla çalışma yapılmaya devam etmektedir. Derin öğrenme yöntemlerinin de malware tespitinde son 10 yılda kullanımı giderek artmaktadır. Bu çalışma, malware sınıflandırmasına odaklıdır. Bu çalışmada malware sınıflandırması için EfficientNet mimarisi ve Dynamic Distribution Adaptation Network yaklaşımlı derin öğrenme modeli oluşturulmuştur. Çalışmada malware verilerinin görüntülere dönüşümü ve malware görüntülerinin EfficientNet model tabanında sınıflandırılması tartışılmıştır. Microsoft Malware Classification Challenge ve Dumpware10 bu çalışmanın veri kümeleridir. Deneysel çalışmalarda önerilen derin öğrenme modeli Microsoft Malware Classification Challenge veri kümesinde 97% validasyon doğruluk oranı ile 95% test doğruluk oranı, Dumpware10 veri kümesinde 96% validasyon doğruluk oranı ile 96% test doğruluk oranı elde edilmiştir.
Özet (Çeviri)
Malware is the name given to all malicious software that threatens information systems and prevents their use. Computers, which have become mandatory to use in daily life, are under constant threat from malware as well as facilitating human life. Therefore, it is important to control and detect malware that threatens computer systems. In the literature, a lot of work continues to be done to inspect and detect malware. The use of deep learning methods in malware detection has been increasing in the last 10 years. This study focuses on malware classification. In the study, EfficientNet architecture and Dynamic Distribution Adaptation Network approach based deep learning model is proposed. In the study, conversion of malware into images and classification of the malware images through EfficientNet backbone is discussed. Microsoft Malware Classification Challenge and Dumpware10 are the datasets of this study. In the experimental studies, the proposed deep learning model achieved 97% validation accuracy and 95% test accuracy on the Microsoft Malware Classification Challenge dataset and 96% validation accuracy and 96% test accuracy on Dumpware10 dataset.
Benzer Tezler
- Monocular depth estimation and object detection using depth-wise convolution
Derinlik bilgesel dönüşüm kullanarak monoküler derinlik tahmini ve nesne tespiti
MASUM SHAH JUNAYED
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MD BAHARUL ISLAM
- Isı borusu prensibinin güneşli su ısıtıcılarına ve damıtmaya uygulanması
Başlık çevirisi yok
ALİ YÜCEL UYAREL
- Yüksek konsantrasyonda amonyak içeren atık suların döner diskler ile nitrifikasyonu
Nitrification of strong ammonia wastes by rotating discs
H.OKTAR TİMUR
- Türkiye'deki para politikasının eleştirisi (1963-1981)
Criticism of monetary policy in Turkey: 1963-1981
MEHMET DEĞİRMENCİ
