Android malware detection using machine learning
Makine öğrenmesini kullanarak androıd kötü amaçlı yazılım tespiti
- Tez No: 940460
- Danışmanlar: DR. ÖĞR. ÜYESİ AYCA KURNAZ TURKBEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Android kötü amaçlı yazılımlarıyla ilgili güvenlik riskleri, Android tabanlı gadget'ların ve programların hızla yayılmasıyla büyük ölçüde arttı. Araştırmamız, gelişen bu tehdidi ele almak amacıyla Android kötü amaçlı yazılım tespitindeki (AMD) etkinlikleri açısından yedi farklı makine öğrenimi (ML) modelinin kapsamlı bir incelemesini sunuyor. Bu çalışmada, Karar Ağaçlarını (DT), Rastgele Ormanları (RF), K-En Yakın Komşuları (KNN), Çok Terimli Naif Bayes'i değerlendirmek için Radyal Temel Fonksiyon çekirdeği (SVM-RBF) ve Doğrusal çekirdek (Doğrusal-SVM) kullanılmıştır. (MNB), Gradient Boosting (GB), XGBoost ve Destek Vektör Makineleri. Bu çalışmanın amacı AMD için hangi makine öğrenme modelinin en iyi şekilde çalıştığını belirlemektir. Doğruluk (ACC), kesinlik (PREC), geri çağırma (REC) ve F1 puanı (F1-S) gibi önemli parametreler kullanılarak her modelin performansı dikkatle değerlendirildi. Araştırmamıza göre tüm modellerin ACC oranları yüksekti (%93 ila %98), bu da bunların Android kötü amaçlı yazılımlarını tespit etmede faydalı olabileceğini gösteriyor. Her model, FP ve FN oranlarındaki farklılıklara rağmen, iyi huylu ve kötü amaçlı uygulamalar arasında ayrım yapma konusunda cesaret verici sonuçlar ortaya koydu.
Özet (Çeviri)
The security risks related to Android malware have greatly increased with the quick spread of Android-based gadgets and programs. Our research offers a thorough review of seven different machine learning (ML) models for their effectiveness in Android malware detection (AMD) in order to address this developing threat. In this work, the Radial Basis Function kernel (SVM-RBF) and the Linear kernel (Linear-SVM) are used to evaluate Decision Trees (DT), Random Forests (RF), K-Nearest Neighbors (KNN), Multinomial Naive Bayes (MNB), Gradient Boosting (GB), XGBoost, and Support Vector Machines. The goal of this study is to determine which machine learning model works best for AMD. Using crucial parameters including accuracy (ACC), precision (PREC), recall (REC), and F1-score (F1-S), each model's performance was carefully evaluated. According to our research, all of the models had high ACC rates (93% to 98%), suggesting that they could be useful in detecting Android malware. Each model demonstrated encouraging results in differentiating between benign and malicious apps, despite differences in FP and FN rates.
Benzer Tezler
- Malware detection for the android platform using machine learning techniques
Android platformu için makine öğrenmesi teknikleri kullanarak kötücül yazılım tespiti
GÖKÇER PEYNİRCİ
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYaşar ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KORHAN KARABULUT
DR. ÖĞR. ÜYESİ METE EMİNAĞAOĞLU
- Zararlı android yazılımlarının makine öğrenmesi ile ailelerine göre sınıflandırılması
Android malware family classification with machine learning
SERCAN TÜRKER
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET BURAK CAN
- Hibrit analiz yöntemlerini kullanarak makine öğrenmesi yardımıyla android kötücül yazılımların tespit edilmesi
Detection of android malware with the help of machine learning using hybrid analysis methods
ABDURAHMAN AYDIN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İBRAHİM ALPER DOĞRU
- Android zararlı yazılım tespit sistemi
Android malware detection system
TÜLAY AVAN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN
- A new security system in android os combining power spectral density and waevelet transform based on KNN
Uzun kısa süreli bellek (LSTM) kullanarak bulut ortamında anomali tespiti için yeni bir akıllı sistem
HASAN LATEEF MUHİ ALFADHILI
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM
- Öğrenmeye dayalı istemci ve sunucu tabanlı android kötücül yazılım tespit sistemi
Learning oriented client and server-based android malwaredetection system
ABDULLAH DAĞLIOĞLU
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. İBRAHİM ALPER DOĞRU