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: 84
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
- Konvolüsyonel yapay sinir ağları ve görüntü işleme teknikleri ile biyomedikal görüntülerden diyabetik retinopati teşhisi
Diabetic retinopathy diagnosis using convolutional artificial neural networks and image processing techniques
ALAEDDİN TÜRKMEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT HÜSNÜ SAZLI
- Derin öğrenme yöntemleri kullanarak EKG görüntülerinden COVID-19'un tespit edilmesi
Detecting COVID-19 from ECG images using deep learning methods
NİDA AKKUZU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KAYA
- Dönüştürücü kullanarak sanat resimlerinin sınıflandırılması
Classification of art pictures using transformers
NERGİZ MALAL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ÇİFTÇİ
- A comparison of CNN-based visual explanation methods inmedical images
Sağlık görüntülerinde CNN tabanlı görsel açıklama yöntemlerinin karşılaştırılması
ELHAM DEHGHANI MOINI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. NAFİZ ARICA
- Deep learning for pneumonia diagnosis: A comparative study and decision support interface implementation
Zatürre tanısı için derin öğrenme: Karşılaştırmalı bir çalışma ve karar destek arayüzü uygulaması
SENA GÖKSU AĞACA
Yüksek Lisans
İngilizce
2024
Radyoloji ve Nükleer TıpYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÇİĞDEM KELEŞ