Görüntü Tabanlı Kötü Amaçlı Yazılım Sınıflandırması için Hibrit Bir Derin Öğrenme Yaklaşımı

Abstract

Kötü amaçlı içeriklerin çeşitliliği ve karmaşıklığı, Bilgi ve İletişim Teknolojilerinin son kullanıcılarını önemli ölçüde etkilemiştir. Kötü amaçlı içeriklerin etkisini azaltmak için, kullanıcı sistemlerini kötü amaçlı yazılımlara karşı proaktif olarak korumak üzere otomatikleştirilmiş derin öğrenme tabanlı teknikler geliştirilmiştir. Bu çalışmada, MaleVis veri setini kullanarak kötü amaçlı yazılımların tespiti ve sınıflandırılması için hibrit bir model uyguluyoruz. İlk olarak, veri setinden özellik çıkarma işlemi DenseNet-121, EfficientNet-B0 ve ResNet-50 modelleri kullanılarak gerçekleştirilmiştir. Bu modeller, büyük veri setleri üzerinde eğitilmiş ve güçlü özellik çıkarma yetenekleriyle bilinen derin öğrenme mimarileridir. Her model, Malevis veri setindeki görüntülerden özellik vektörleri çıkarmak için kullanılmıştır. Bu özellik vektörleri daha sonra birleştirilmiştir. Birleştirilen özellik vektörleri, güçlü bir sınıflandırma algoritması olan XGBoost kullanılarak sınıflandırma için kullanılmıştır. Bu hibrit model yaklaşımı, kötü amaçlı yazılımları tespit etmek için derin öğrenme modellerinin özellik çıkarma yeteneklerini XGBoost'un sınıflandırma yeteneği ile birleştirir. Deney sonuçları, önerilen hibrit modelin MaleVis veri setinde yüksek doğruluk oranları elde ettiğini göstermektedir. Çalışma, farklı derin öğrenme modellerinin özellik çıkarma yeteneklerini birleştirmenin ve bu özellikleri XGBoost gibi bir sınıflandırıcıyla kullanmanın kötü amaçlı yazılımların algılanması ve sınıflandırılmasında önemli iyileştirmeler sağlayabileceğini göstermektedir. Sonuçlar, modelin gerçek dünyadaki tehdit algılama sistemlerine entegre edilme potansiyelini ortaya koymaktadır.

The diversity and sophistication of malicious content has significantly impacted end-users of Information and Communication Technologies. In order to mitigate the impact of malicious content, automated deep learning-based techniques have been developed to proactively defend user systems against malware. In this study, we implement a hybrid model for malware detection and classification using the MaleVis dataset. First, feature extraction from the dataset is performed using DenseNet-121, EfficientNet-B0 and ResNet-50 models. These models are deep learning architectures that have been trained on large datasets and are known for their powerful feature extraction capabilities. Each model was used to extract feature vectors from the images in the Malevis dataset. These feature vectors were then merged. The combined feature vectors were used for classification using XGBoost, a powerful classification algorithm. This hybrid model approach combines the feature extraction capabilities of deep learning models with the classification capability of XGBoost to detect malware. Experimental results show that the proposed hybrid model achieves high accuracy rates on the MaleVis dataset. The study shows that combining the feature extraction capabilities of different deep learning models and using these features with a classifier such as XGBoost can provide significant improvements in malware detection and classification.The results demonstrate the model’s potential for integration into real-world threat detection systems.