Kötü Amaçlı Yazılım Türlerinin Tespitinde Kullanılan 1B Verilerin 2B Barkod Türlerine Dönüştürülerek Derin Ağlarla Analizlerinin Gerçekleştirilmesi

Conversion of 1D Data Used in Detection of Malware Types to 2D Barcode Types and Analysis with Deep Networks

Özet

Kötü amaçlı yazılımlar bilgisayar tabanlı sistemlere zarar vermek, önemli bilgileri elde etmek veya değiştirmek amaçlı hazırlanmış yazılımlardır. Bu tür yazılımlar insanların etkileşim içerisinde olduğu ağ ortamlarını hedef alırlar. Bu ağ ortamlarında kullanılan akıllı cihazlar günümüzde hayatımızın vazgeçilmez parçalarından biri olmuştur. Akıllı cihazların güvenliğini sağlayabilmek, zararlı yazılımların tespitini gerçekleştirebilmek için son zamanlarda yapay zekâ tabanlı birçok çalışma gerçekleşmiştir. Bu çalışmanın veri kümesi gizlenmiş kötü amaçlı yazılım türlerini içerisinde barındıran metin tabanlı içeriklerden oluşmaktadır. Önerilen yaklaşım, önişlem adımından ve derin öğrenme modelinden oluşmaktadır. Önişlem adımında metin tabanlı veriler, 2-boyutlu barkod türlerine dönüştürülerek iki yeni veri kümesi elde edilmiştir. Bir sonraki adımda veri kümeleri tasarlanmış derin ağ modeli tarafından eğitilerek özellik setleri çıkartılmıştır. Son adımda özellik setleri birleştirilerek sınıflandırma süreci Softmax yöntemi kullanılarak gerçekleşmiştir. Deneysel analizler önerilen yaklaşımın genel performansı artırdığı görülmüştür ve sınıflandırma sürecinde genel doğruluk başarısı %100 olarak elde edilmiştir.

Abstract

Malware is software designed to damage computer-based systems, obtain or modify important information. This type of software targets network environments where people interact. Smart devices used in these network environments have become one of the indispensable parts of our lives today. Recently, many artificial intelligence-based studies have been carried out in order to ensure the security of smart devices and to detect malicious software. The dataset of this study consists of text-based content containing hidden malware types. The proposed approach consists of a preprocessing step and a deep learning model. In the preprocessing step, two new datasets were obtained by transforming the text-based data into 2-dimensional barcode types. In the next step, the feature sets were extracted by training the datasets by the designed deep network model. In the last step, the feature sets were combined and the classification process was carried out using the Softmax method. Experimental analyzes showed that the proposed approach increased the overall performance and the overall accuracy in the classification process was 100%.

Anahtar kelimeler: Özellik Çıkarma, Kötü Amaçlı Yazılımlar, 2B Barkod Türleri, Derin Öğrenme