Çok kanallı görüntü temsillerinden dikkat katmanlı hibrit derin öğrenme mimarisi ile Android kötücül yazılım tespiti
Android malware detection with attention-based hybrid deep learning architecture from multi-channel image representations
- Tez No: 985005
- Danışmanlar: PROF. DR. İBRAHİM ALPER DOĞRU
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mobil cihaz kullanımında pazar payının büyük çoğunluğuna sahip olan Android işletim sistemi, maruz kaldığı kötücül yazılımlar nedeniyle kullanıcı güvenliği açısından ciddi endişeler oluşturmaktadır. Android'in uygulamaları üçüncü taraf kaynaklardan uygulama yüklemeye izin vermesi, zararlı yazılımların yayılımını kolaylaştırmaktadır. Son yıllarda, Android kötücül yazılımların tespiti için derin öğrenme tabanlı yöntemler yaygınlaşmış, özellikle uygulamalardan elde edilen özniteliklerin görüntü formatına dönüştürülerek işlenmesi yüksek tespit performansı sağlamıştır. Ancak mevcut çalışmalar çoğunlukla statik özniteliklere odaklanmakta ve uygulama davranışlarını göz ardı etmektedir; bu da kod gizleme ve polimorfik yazılımlar karşısında dezavantaj oluşturmaktadır. Bu kısıtları aşmak için tez kapsamında, hibrit analizle zenginleştirilmiş özniteliklere sahip görüntüler üzerinde çalışan, CBAM dikkat bloklarıyla güçlendirilmiş Xception tabanlı bir derin öğrenme mimarisi önerilmiştir. Hibrit görüntü oluşturma, öznitelik mühendisliğini ortadan kaldırarak süreci otomatikleştirmekte ve dosyalardan elde edilen öznitelik örüntülerini korumaktadır. Xception mimarisindeki her artık bloğun çıkışı, CBAM bloklarıyla etkinleştirilip öznitelik havuzunda birleştirilerek hem erken hem de geç katman özniteliklerini dikkate alan kararlı bir yapı sağlanmıştır. Önerilen yöntemin testleri, Androzoo ve Drebin veri setlerinde gerçekleştirilmiş; CNN tabanlı transfer öğrenme ve modern Vision Transformer mimarileriyle karşılaştırmalar yapılmıştır. Androzoo veri setinde %99,47, Drebin'de ise %99,43 doğruluk elde edilmiştir. Deneyler, CBAM bloklarının diğer dikkat mekanizmalarına kıyasla performansı artırdığını ve Xception (CBAM) mimarisinin modern ViT mimarileri ve benzer derin öğrenme tabanlı çalışmalarla karşılaştırıldığında başarılı olduğunu göstermektedir.
Özet (Çeviri)
The Android operating system, which holds the vast majority of the mobile device market share, poses serious user security concerns due to its exposure to malware. The fact that Android allows applications to install applications from third-party sources makes it easier for malware to spread. In recent years, deep learning-based methods for detecting Android malware have become widespread, particularly by converting features extracted from applications into image formats, which has achieved high detection performance. However, existing studies largely focus on static features and ignore application behavior, which presents a disadvantage when faced with code obfuscation and polymorphic software. To overcome these limitations, an Xception-based deep learning architecture, powered by CBAM attention blocks, working on images with features enriched by hybrid analysis, is proposed within the scope of the thesis. Hybrid image generation automates the process by eliminating feature engineering and preserving the feature patterns extracted from the files. The output of each residual block in the Xception architecture is activated with CBAM blocks and combined into the feature pool, providing a stable structure that takes into account both early and late layer features. The proposed method was evaluated on the Androzoo and Drebin datasets, with comparisons drawn against CNN-based transfer learning approaches and state-of-the-art Vision Transformer architectures. An accuracy of 99.47% was achieved on the Androzoo dataset and 99.43% on the Drebin dataset. Experiments demonstrate that CBAM blocks improve performance compared to other attention mechanisms, and that the Xception (CBAM) architecture performs well compared to modern ViT architectures and similar deep learning-based studies.
Benzer Tezler
- A Dutch disease approach into the premature deindustrialization
Erken sanayisizleşmeye Hollanda hastalığı yaklaşımı
MUHAMMET SAİT ÇAKIR
- Development of single and multichannel 2-D delta domain lattice filter and applications to image restoration
Görüntü iyileştirme uygulamaları için tek ve çok-kanallı iki boyutlu delta düzlemi kafes süzgeci geliştirilmesi
CEVDET MEHMET HENDEKLİ
Doktora
İngilizce
2000
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞIN ERTÜZÜN
- Çok kanallı uydu görüntülerinde band çakıştırma için surf metodunun pozisyon ve ölçek yöneltmeli iyileştirilmesi
Position and scale oriented improvement of surf method forband registration in multispectral satellite images
OSMAN TAHSİN BERKTAŞ
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ URAZ YAVANOĞLU
- Reliable image transmission in wireless sensor networks for smart grid applications
Akıllı şebeke uygulamaları ıçın kablosuz sensör ağlarında güvenılır görüntü aktarımı
MOSTAFA SHAMIL JASSIM
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
ÖĞR. GÖR. PINAR BÖLÜK
- İç mekân sahne tanıma için metin tabanlı sınıflandırıcı ve evrişimli sinir ağları kullanarak çok kanallı hibrit model geliştirme
Developing a multi-channel hybrid model for indoor scene recognition using text-based classifiers and convolutional neural networks
CENGİZ ASLAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER UÇKAN