Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli

Abstract

Günümüzde siber güvenlik alanında fidye yazılımları, veri gizliliği ve bütünlüğü açısından en kritik tehditlerden biri haline gelmiştir. Bu tür zararlı yazılımlar, sistemlere sızarak önemli verileri şifreler, kullanıcı erişimini engeller ve hem bilgi güvenliği hem de ekonomik istikrar üzerinde ciddi tehditler oluşturur. Bu çalışmada, fidye yazılımlarının tespiti için zaman-frekans dönüşümlerine dayalı yeni bir analiz yaklaşımı önerilmektedir. Gerçek dünyadan elde edilen açık erişimli bir veri kümesi kullanılarak bir boyutlu veriler dalgacık dönüşüm teknikleriyle iki boyutlu spektral görüntülere dönüştürülmüştür. Bu görüntüler Vision Transformer modeliyle eğitilmiş, elde edilen özellik setleri incelenmiştir. En yüksek performansı gösteren özellikler, mRMR ve Relief yöntemleriyle seçilerek sınıflandırma başarısına etkileri analiz edilmiştir. Seçilen özellik setlerinin birleştirilmesiyle oluşturulan yapı, Naif Bayes sınıflandırıcısı kullanılarak değerlendirilmiştir. Elde edilen %99.3 doğruluk oranı çapraz doğrulama yöntemiyle teyit edilmiştir. Sonuçlar, önerilen yaklaşımın fidye yazılımlarını geleneksel yöntemlere göre daha yüksek doğrulukla tespit ettiğini göstermektedir.

In recent years, ransomware has emerged as one of the most critical threats in the field of cybersecurity, particularly with respect to data privacy and integrity. Such malicious software infiltrates systems, encrypts sensitive data, restricts user access, and poses serious risks to both information security and economic stability. In this study, a novel analysis approach based on time–frequency transformations is proposed for ransomware detection. Using a real-world, publicly available dataset, one-dimensional data are transformed into two-dimensional spectral images through wavelet-based transformation techniques. These images are used to train a Vision Transformer model, and the resulting feature sets are examined. The features yielding the highest performance are selected using the mRMR and Relief algorithms, and their impact on classification performance is analyzed. The structure formed by combining the selected feature sets is evaluated using a Naive Bayes classifier. The achieved classification accuracy of 99.3% is validated through a cross-validation methodology. The results demonstrate that the proposed approach detects ransomware with higher accuracy compared to traditional methods.