Bibliographic record
Abstract
Son yıllarda bilgisayar, cep telefonu ve benzeri pek çok geleneksel cihazın yerini tabletler, robotlar, akıllı telefonlar vb. cihazlar almış, dünya genelinde hızlı bir değişim ve dönüşüm yaşanmıştır. Bu akıllı cihazlara olan talep arttıkça, uygulamalarına ve cihazlarına yönelik güvenlik tehditleri de artmıştır. Sınırlı bilgi işlem yeteneklerine ve aynı zamanda sınırlı enerji kullanımına da sahip olan bu cihazların kısıtlı kaynaklarını yönetmek ve uygulamalar için belirli ortak hizmetleri sağlamak için bir işletim sistemi gerekmektedir. Android, açık kaynak yapısı ve sağlam uygulama çerçevesi nedeniyle pazardaki en popüler işletim sistemi olarak yerini almaktadır. Ancak bu açıklık, kaynak kısıtlı bu cihazlar için birçok güvenlik tehdidini de beraberinde getirmektedir. Kötü amaçlı yazılımlar yaygın olarak bu cihazlarda yalnızca kullanıcıların bazı özel bilgilerini çalmak için değil, aynı zamanda bunlar üzerinde yetkisiz ve zararlı eylemler gerçekleştirmek için de kullanılmaktadır. Bu sebeple sistemlerin kötü amaçlı yazılım tespiti ve analizinin gerçekleştirilmesi gerekmektedir. Saldırganlar, statik analiz (imza tabanlı) ve dinamik analiz (davranış tabanlı) algılama yöntemlerinden kaçınmak için birden fazla teknik (ör. paketleme, kod gizleme, ve şifreleme) kullanmaktadır. Bu tekniklerin üstesinden gelmek için birçok araştırmacı, algılama yazılımı için esneklik ve öğrenme yeteneği sağlayan bazı yapay zeka yöntemlerini tercih etmektedir. Derin öğrenme, makine öğrenimi yaklaşımlarının popüler bir alt kümesidir ve verilerden kalıpları çıkarmak için karmaşık sinir ağı yapılarını kullanmaktadır. Bu nedenle, son yıllarda araştırmacılar Derin Öğrenme modelleri kullanarak Android sistemlerde kötü amaçlı yazılımların tespiti ve sınıflandırılmasına odaklanmışlardır. Bu tez çalışmasında, Android sistemlerde kötü amaçlı yazılım tespiti amacıyla Derin Öğrenme uygulaması geliştirilerek Saldırı Tespit Sistemi tasarlanması amaçlanmıştır. Bu tezin geliştirilmesinde Canadian Institute for Cybersecurity (CIC) tarafından oluşturulmuş güncel bir veriseti olan CICAndMal2017 ve CICInvesAndMal2019 veri kümesi üzerinde statik ve dinamik analiz teknikleri kullanılarak Makine ve Derin Öğrenme yöntemleri ile modellerin tespit başarım oranı karşılaştırımıştır. Güncel birçok veri seti ve güncel literatürün sunulduğu özet tablolar ve analiz tespit yöntemleri bu tez çalışmasında yer almaktadır. Bu çalışma ayrıca, Android mimarisine genel bir bakış açısı sunarak, Derin Öğrenme tabanlı Android kötü amaçlı yazılım tespiti amacıyla geliştirilen sistemleri, kullanılan veri kümelerini açıklamaktadır. Statik ve dinamik özellikler içeren veri kümeleri üzerinde yapılan deneysel çalışmalar sonucunda Android kötü amaçlı yazılımların tespitinde seçilen analiz teknikniğinin bunun yanı sıra öğrenme yöntemine göre sınıflandırma algortimalarında kurulan model yapısının başarım oranı üzerindeki etkileri incelendiğinde Derin Öğrenme tabanlı RNN temelli algortimaların yüksek performans gösterdiği ortaya koyulmuştur. Üç katmanlı modellemede statik analiz başarım oranı %99,37 iken, dinamik analiz başarım oranı %97,36 olarak tespit edilmiştir. Sonuç olarak, birçok yönü ile aktif bir araştırma alanı olan Android sistemlerin güvenliği ve Derin Öğrenme algoritmaları, kötü amaçlı yazılımların tespiti için bir çözüm olarak sunulmaktadır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.011 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".