Yapay zekâ destekli malware başlatıcısı aımal
Artificially intelligent malware launcher - aimal
- Tez No: 1004941
- Danışmanlar: DOÇ. DR. ENVER ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Uygulamaları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern antivirüs (AV) ve uç nokta tespit ve müdahale (EDR) sistemleri giderek daha fazla davranış tabanlı ve makine öğrenmesi tabanlı tespit yöntemlerine dayanmaktadır. Bu durum, red team (kırmızı takım) saldırı simülasyonları ve zararlı yazılım araştırmaları için gereken zorluk seviyesini önemli ölçüde artırmıştır. Bu değişime yanıt olarak, gerçek zamanlı tespit geri bildirimine dayanarak zararlı yazılım yürütme ve kaçınma (evasion) stratejilerini dinamik olarak uyarlamak için büyük dil modellerini (LLM) entegre eden, kendini mutasyona uğratan bir red team kaçınma çerçevesi olan AIMaL (Artificially Intelligent Malware Launcher) sunulmaktadır. AIMaL, bir tespitin imza tabanlı mı yoksa davranış tabanlı mı olduğunu analiz etmek ve buna göre kendi iç mantığını otonom olarak değiştirmek üzere tasarlanmıştır. İmza tabanlı tespitler için sistem, statik imzaları geçersiz kılmak amacıyla otomatik kod morflama, gereksiz (junk) kod ekleme ve ikili dosyanın yeniden oluşturulması işlemlerini gerçekleştirir. Davranış tabanlı tespitlerde ise AIMaL, gözlemlenen AV/EDR davranışlarına dayanarak mevcut kaçınma tekniklerini yeniden yazabilen veya yeni gizli yürütme yolları oluşturabilen LLM tabanlı bir kendi kendini yamalama (self-patching) mekanizmasını devreye sokar. Bu geri bildirim odaklı döngü, insan müdahalesi olmadan yürütme tekniklerinin, payload dağıtım yöntemlerinin ve çalışma zamanı davranışlarının sürekli olarak evrimleşmesini sağlar. Bu çerçeve; çoklu süreç enjeksiyon ve yürütme tekniklerini, şifrelenmiş payload dağıtımını ve gerçek zamanlı kod yeniden yazımını destekleyerek kontrollü ortamlarda gelişmiş kalıcı tehditlere (APT) benzer davranışların simüle edilmesine olanak tanır. AIMaL yalnızca savunma amaçlı araştırmalar, red team tatbikatları ve AV/EDR dayanıklılık testleri için tasarlanmıştır ve güvenlik ekiplerine modern tespit sistemlerinin uyarlanabilir, yapay zekâ destekli tehditlere karşı dayanıklılığını değerlendirebilecekleri gerçekçi bir platform sunmaktadır. Buna ek olarak AIMaL, otonom kod uyarlamasının modern savunma sistemlerindeki zayıflıkları sistematik olarak değerlendirmek için nasıl kullanılabileceğini göstererek yapay zekâ destekli siber güvenlik alanına katkıda bulunmaktadır. Sürekli gelişen saldırı teknikleriyle kontrollü deneyler yapılmasına olanak sağlayan bu çerçeve, araştırmacılara ve güvenlik uzmanlarına mevcut AV/EDR tespit mekanizmalarının sınırlamaları hakkında daha derin içgörüler sunmakta ve yeni nesil, daha dayanıklı savunma teknolojilerinin geliştirilmesini desteklemektedir.
Özet (Çeviri)
Modern antivirus (AV) and endpoint detection and response (EDR) systems increasingly rely on behavioral and machine-learning–based detection, significantly raising the bar for red team adversarial simulation and malware research. In response to this shift, we present AIMaL (Artificially Intelligent Malware Launcher), a self mutating red team evasion framework that integrates large language models (LLMs) to dynamically adapt malware execution and evasion strategies based on real-time detection feedback. AIMaL is designed to analyze whether detections are signature-based or behavior based and autonomously modify its internal logic accordingly. For signature-based detections, the system performs automated code morphing, junk code injection, and binary regeneration to invalidate static signatures. For behavior-based detections, AIMaL triggers an LLM-driven self-patching mechanism capable of rewriting existing evasion techniques or generating novel stealth execution paths informed by observed AV/EDR behavior. This feedback-driven loop enables continuous evolution of execution techniques, payload delivery, and runtime behavior without human intervention. The framework supports multiple process injection and execution techniques, encrypted payload delivery, and real-time code rewriting, allowing it to simulate advanced persistent threat (APT) like behavior in controlled environments. AIMaL is intended strictly for defensive research, red team exercises, and AV/EDR stress testing, providing security teams with a realistic platform to evaluate the resilience of modern detection systems against adaptive, AI-assisted threats. Additionally, AIMaL contributes to the broader field of AI-driven cybersecurity by demonstrating how autonomous code adaptation can be leveraged to systematically evaluate weaknesses in modern defensive systems. By enabling controlled experimentation with evolving attack techniques, the framework provides researchers and security practitioners with deeper insights into the limitations of current AV/EDR detection mechanisms and supports the development of more resilient, next-generation defensive technologies.
Benzer Tezler
- Android yazılımlarda yapay zeka destekli zararlı yazılım tespiti ve performans analizi
Ai-assisted malware detection and performance analysis in android software
FATİH BULDUR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiAdli Bilişim Ana Bilim Dalı (disiplinlerarası)
PROF. DR. MURAT GÖK
- Encode edilmiş bir metnin encode türünün derin öğrenme yöntemleriyle tahmini
Predicting the encode type of an encoded text with deep learning models
YAĞMUR IŞIK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOstim Teknik ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN AKIN
- Yapay zeka destekli sanal laboratuvar tasarımı: Çekme deneyi uygulaması
Artificial intelligence aided virtual laboratory design: Tensile test application
ALPER KİRAZ
Doktora
Türkçe
2014
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. CEMALETTİN KUBAT
- Yapay zeka destekli odyometri ölçüm sisteminin tasarımı ve gerçekleştirilmesi
Design and implementation of supported artificial intelligence audiometer meas-urement system
BÜŞRA ER
Yüksek Lisans
Türkçe
2020
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR FİDAN
- Yapay zeka destekli interaktif sağlık robotu
Artificial intelligence assisted interactive health robot
MUSTAFA GÖKSU
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKahramanmaraş Sütçü İmam ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ALKAN