Kötü amaçlı yazılımların transformer modelleriyle tespiti: 1B verilerin 2B barkod türlerine dönüştürülmesi

Abstract

Dijital teknolojilerin gelişmesi ve internet tabanlı sistemlerin yaygınlaşmasıyla birlikte kötü amaçlı yazılımlar siber güvenlik açısından önemli tehditlerden biri hâline gelmiştir. Geleneksel imza tabanlı yöntemler, özellikle yeni nesil ve karmaşık yapıya sahip zararlı yazılımların tespitinde yeterli performans gösterememektedir. Bu nedenle son yıllarda yapay zekâ ve derin öğrenme tabanlı yaklaşımların kötü amaçlı yazılım analizinde daha yaygın şekilde kullanılmaya başlandığı görülmektedir. Bu tez çalışmasında, kötü amaçlı yazılımların tespitine yönelik olarak bir boyutlu veri yapılarının iki boyutlu barkod türlerine dönüştürülmesine dayalı bir yaklaşım önerilmiştir. Çalışma kapsamında SOMLAP veri seti kullanılmış ve veri setinde yer alan zararlı yazılım verileri QR kod ve Aztec barkod yapılarına dönüştürülerek görsel veri temsilleri elde edilmiştir. Oluşturulan bu görüntüler üzerinden DeiT3, MaxViT ve Swin Transformer modelleri kullanılarak özellik çıkarımı gerçekleştirilmiştir. Elde edilen özellikler daha sonra K-En Yakın Komşu (KNN) ve Destek Vektör Makineleri (SVM) sınıflandırıcıları ile analiz edilmiştir. Gerçekleştirilen deneysel çalışmalar sonucunda, barkod tabanlı görsel temsillerin kötü amaçlı yazılımların ayırt edilmesinde etkili sonuçlar sunduğu belirlenmiştir. Özellikle transformer tabanlı modellerin çok ölçekli örüntüleri öğrenebilme yeteneği sayesinde başarılı sınıflandırma performansları elde edilmiştir. Modellerin performans değerlendirmeleri doğruluk, hassasiyet, duyarlılık ve F1-skoru gibi ölçütler kullanılarak gerçekleştirilmiştir. Elde edilen bulgular doğrultusunda, bir boyutlu verilerin iki boyutlu barkod temsillerine dönüştürülmesi ve transformer tabanlı modeller ile birlikte değerlendirilmesinin kötü amaçlı yazılım tespitinde etkili bir yaklaşım sunduğu görülmüştür. Ayrıca çalışmanın, barkod tabanlı görselleştirme yöntemlerinin siber güvenlik alanında kullanımına yönelik literatüre katkı sağlayacağı değerlendirilmektedir.

With the advancement of digital technologies and the widespread adoption of internet-based systems, malware has become one of the major threats to cybersecurity. Traditional signature-based methods are unable to perform adequately, particularly in detecting new-generation and complex malware. For this reason, in recent years, approaches based on artificial intelligence and deep learning have begun to be used more widely in malware analysis. In this thesis study, an approach based on converting one-dimensional data structures into two-dimensional barcode types is proposed for the detection of malware. The SOMLAP dataset was used in this study, and the malware data within the dataset were converted into QR code and Aztec barcode structures to obtain visual data representations. Feature extraction was performed using the DeiT3, MaxViT, and Swin Transformer models on these generated images. The extracted features were then analyzed using K-Nearest Neighbors (KNN) and Support Vector Machines (SVM) classifiers. The results of the experimental studies conducted indicate that barcode-based visual representations are effective in distinguishing malware. In particular, successful classification performance was achieved thanks to the ability of transformer-based models to learn multi-scale patterns. The models' performance was evaluated using metrics such as accuracy, precision, recall, and F1-score. Based on the findings, it was observed that converting one-dimensional data into two-dimensional barcode representations and evaluating them in conjunction with transformer-based models offers an effective approach for malware detection. Additionally, it is anticipated that this study will contribute to the literature regarding the application of barcode-based visualization methods in the field of cybersecurity.