Infostealer Malware'in davranışsal özellikleri ile makine öğrenmesi tabanlı sınıflandırma
Behavioral characteristics-based classification of infostealer malware using machine learning
- Tez No: 995394
- Danışmanlar: PROF. DR. HUMAR KAHRAMANLI ÖRNEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Siber güvenlik, Sınıflandırma, Machine learning, Cyber security, Classification
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, siber güvenlik alanında önemli bir tehdit oluşturan Infostealer (bilgi çalan) malware türlerinin davranışsal özellikleri analiz edilerek makine öğrenmesi tabanlı bir sınıflandırma modeli geliştirilmesi hedeflenmiştir. Literatürde, bu tür zararlı yazılımların statik ve dinamik analizleri üzerine çeşitli çalışmalar yapılmış olsa da davranışsal verilerin makine öğrenmesi algoritmaları ile optimize edilmiş bir model çerçevesinde incelenmesi sınırlı düzeydedir. Çalışmada, literatürdeki veri kısıtlılığını aşmak amacıyla Infostealer türlerine ait karakteristik davranış profilleri (sistem çağrıları, ağ trafiği ve dosya sistemi aktiviteleri) simüle edilerek kural tabanlı sentetik bir veri seti oluşturulacak ve bu veri seti kullanılarak Rastgele Orman (Random Forest) ve Karar Ağaçları gibi algoritmalarla sınıflandırma yapılacaktır. Bu kapsamda, ilk olarak literatür taraması ve mevcut tehditlerin analizi gerçekleştirilecektir. Ardından, gerçek zararlı yazılım örneklerini sandbox ortamında çalıştırmak yerine, tehdit istihbaratı raporlarına dayalı olasılıksal yöntemlerle yapılandırılmış sentetik davranışsal veriler üretilecektir. Bu veriler, Python ve ilgili kütüphaneler kullanılarak işlenecek ve sınıflandırma modellerinin eğitimi sağlanacaktır. Çalışma süreci, beş ana aşamadan oluşmaktadır: (1) Literatür Taraması ve Gereksinim Analizi, (2) Sentetik Veri Üretimi ve Hazırlık, (3) Özellik Çıkarımı ve Model Geliştirme, (4) Model Değerlendirme ve Karşılaştırma, (5) Sonuçların Yorumlanması ve Tez Yazımı. Çalışmanın sonucunda, Infostealer zararlı yazılımlarının tespiti ve sınıflandırılmasında yüksek doğruluk oranlarına sahip bir model geliştirilmesi beklenmektedir. Bu çalışmanın siber güvenlik alanındaki tehdit tespit sistemlerine katkı sağlaması öngörülmektedir.
Özet (Çeviri)
In this thesis study, it is aimed to develop a machine learning-based classification model by analyzing the behavioral characteristics of Infostealer malware types, which pose a significant threat in the field of cybersecurity. Although various studies have been conducted on static and dynamic analysis of such malware in the literature, the examination of behavioral data within the framework of a model optimized with machine learning algorithms remains limited. In this study, to overcome the data scarcity in the literature, characteristic behavioral profiles (system calls, network traffic, and file system activities) of Infostealer types will be simulated to create a rule-based synthetic dataset. Using this dataset, classification will be performed using algorithms such as Random Forest and Decision Trees. In this context, a literature review and analysis of current threats will be conducted first. Subsequently, instead of running real malware samples in a sandbox environment, structured synthetic behavioral data will be generated using probabilistic methods based on threat intelligence reports. This data will be processed using Python and relevant libraries to train the classification models. The study process consists of five main stages: (1) Literature Review and Requirement Analysis, (2) Synthetic Data Generation and Preparation, (3) Feature Extraction and Model Development, (4) Model Evaluation and Comparison, and (5) Interpretation of Results and Thesis Writing. As a result of the study, it is expected to develop a model with high accuracy rates for the detection and classification of Infostealer malware. It is foreseen that this study will contribute to threat detection systems in the field of cybersecurity.