Fidye yazılımlarının ağ davranışlarında anomali ve sahte imza tespiti: zaman-frekans temsilleri ve transformer tabanlı bir yaklaşım

Abstract

Günümüzde siber güvenlik bağlamında fidye yazılımları, veri gizliliği ve bütünlüğünü doğrudan tehdit eden başlıca risk unsurlarından biri olarak değerlendirilmektedir. Bu tür zararlı yazılımlar, hedef sistemlere sızarak hassas verileri şifrelemekte, kullanıcı erişimini kısıtlamakta hem bilgi güvenliği hem de ekonomik sürdürülebilirlik açısından ciddi riskler oluşturmaktadır. Bu çalışmada, fidye yazılımlarına ait ağ davranışlarının etkin biçimde tespit edilmesini amaçlayan ve zaman-frekans dönüşümlerine dayanan yenilikçi bir analiz yaklaşımı önerilmektedir. Gerçek dünya senaryolarını yansıtan açık erişimli bir veri seti kullanılarak bir boyutlu sinyal verileri, dalgacık dönüşüm teknikleri aracılığıyla iki boyutlu spektral temsillere dönüştürülmüştür. Elde edilen spektral temsiller, görüntü dönüştürücü mimarisi kullanılarak eğitilmiş ve bu süreçte çıkarılan öznitelikler ayrıntılı biçimde analiz edilmiştir. Ayırt edicilik düzeyi en yüksek olan öznitelikler mRMR ve Relief algoritmaları aracılığıyla belirlenmiş ve bu özniteliklerin sınıflandırma performansına katkıları kapsamlı olarak değerlendirilmiştir. Seçilen öznitelik kümelerinin bütünleştirilmesiyle oluşturulan nihai özellik vektörü, naif bayes yöntemi ile test edilmiş ve %99.3 doğruluk oranına ulaşılmıştır. Elde edilen sonuçlar çapraz doğrulama yöntemiyle teyit edilmiştir. Bulgular, önerilen yaklaşımın fidye yazılımlarına ilişkin ağ davranışlarının tespitinde geleneksel yöntemlere kıyasla daha yüksek doğruluk ve güvenilirlik sağladığını göstermektedir.

Today, within the context of cybersecurity, ransomware is regarded as one of the primary threat factors directly compromising data confidentiality and integrity. Such malicious software infiltrates target systems, encrypts sensitive data, and restricts user access, thereby posing significant risks to both information security and economic sustainability. In this study, an innovative analysis approach based on time–frequency transformations is proposed to effectively detect ransomware-related network behaviors. Using an open-access dataset that reflects real-world scenarios, one-dimensional signal data were transformed into two-dimensional spectral representations through wavelet transformation techniques. The obtained spectral representations were trained using a vision transformer architecture, and the extracted features were analyzed in detail. The features with the highest discriminative capability were identified using the mRMR and Relief algorithms, and their contributions to classification performance were comprehensively evaluated. The final feature vector, generated through the integration of the selected feature sets, was tested using the Naive Bayes method and achieved an accuracy rate of 99.3%. The obtained results were further validated through cross-validation techniques. The findings demonstrate that the proposed approach provides higher accuracy and reliability in detecting ransomware-related network behaviors compared to conventional methods.