Kötü amaçlı yazılımların transformer modellerle tespiti: Barkod tabanlı görüntüleme ve özellik füzyonu yaklaşımı

Abstract

Kötü amaçlı yazılımlar, dijital sistemlere zarar verip yetkisiz erişim veya veri hırsızlığına yol açan tehditlerdir. Artan çeşitlilik ve karmaşıklık, klasik tespit yöntemlerini yetersiz bırakmaktadır. Bu çalışmada, zararlı yazılımların tespiti için barkod tabanlı görselleştirme, transformer modeller ile özellik çıkarımı ve makine öğrenmesi sınıflandırmasını birleştiren hibrit bir yaklaşım sunulmaktadır. Çalışmanın ilk aşamasında, 1D formatlı veriler QR ve Aztec barkod türlerine dönüştürülerek 2D veri kümeleri elde edilmiştir. Barkod görüntüleri DeiT3, MaxViT ve Swin Transformer modelleri kullanılarak işlenmiş ve her birinden özellik setleri çıkarılmıştır. Özellik füzyonu adımında, bu setler birleştirilerek zengin bir veri temsili sağlanmıştır. Son aşamada, oluşturulan özellik setleri k-en yakın komşu (kNN) ve destek vektör makinesi (SVM) algoritmaları ile sınıflandırılmıştır. Deneysel analizler, barkod temelli özellik füzyonunun zararlı yazılım tespitinde doğruluğu artırarak %98 başarıya ulaştığını ortaya koymaktadır. Bu çalışma, barkod tabanlı görselleştirme ve transformer temelli füzyonu birleştirerek özgün bir tespit yaklaşımı sunar.Malicious software is a threat that damages digital systems and leads to unauthorized access or data theft. Increasing diversity and complexity render traditional detection methods inadequate. This study presents a hybrid approach combining barcode-based visualization, feature extraction using transformer models, and machine learning classification for detecting malicious software. In the first phase of the study, 1D-formatted data was converted into QR and Aztec barcode types to obtain 2D datasets. The barcode images were processed using DeiT3, MaxViT, and Swin Transformer models, and feature sets were extracted from each. In the feature fusion step, these sets were combined to provide a rich data representation. In the final stage, the created feature sets were classified using K-Nearest Neighbors (kNN) and Support Vector Machine (SVM) algorithms. Experimental analyses indicate that barcode-based feature fusion enhances malware detection accuracy, achieving a 98% success rate. This study presents a novel detection approach by combining barcode-based visualization and transformer-based fusion.