Derin öğrenme yaklaşımı kullanan android uygulamaların güvenlik incelemesi
Using deep learning approach security review of android applications
- Tez No: 838307
- Danışmanlar: DR. ÖĞR. ÜYESİ ARİF YELĞİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Topkapı Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son zamanlarda yer alan Android uygulamalarının yükseliş trendine bağlı olarak, yapılan uygulamalar kötü amaçlı yazılım saldırılarının tehdidi altındadır. Bu ve buna benzer kötü amaçlı yazılım saldırılarından korunmak için kötü amaçlı yazılım tespit araçlarının geliştirilmesi gerekmektedir. Literatür taramasında kötü amaçlı yazılımları tespit edebilmek için statik yöntem ile analiz kullanan çok sayıda çalışma bulunmaktadır. Çalışmalarda uygulama kodu içerisinden API isteklerini engellemek ve bu API isteklerini, kötü amaçlı ile zararsız uygulamaları birbirinden ayırmak için bir makine öğrenimi modelini geliştirmektedir. Ancak, burada yer alan API istekleri gerçek zamanlı yürütme sırası içermez, bu yüzden kapsamlı bir şekilde istekleri yakalamada net sonuç elde edilememektedir. Yapılan tespitin doğruluğunu değerlendirme aşamasında, önceden yapılan çalışmaların %80 mekansal olarak tutarsız (testlerde yer alan kötü amaçlı yazılım oranları) veya zamansal olarak tutarsızdır. (Rastgele test seti) Oluşan modelin performansını daha iyi düzeyde olması için eğitim ve test verilerinin birbirinden ayrı olması gerekmektedir. Yapılan çalışmalarda, API isteklerinin o an yer alan sırasını izlemenin, rastgele oluşturulan test setinde test etmekten ziyade mekansal ve zamansal olarak daha tutarlı bir test veri setinde test etmenin doğrulama sürecinin verimliliğini artırıp artırmayacağını daha sağlıklı bir şekilde CapsGNN ile doğrulanmıştır. Yapılan çalışmaların sonuçlarını gösteren, API isteklerinin sırasını doğru bir şekilde saklayan API dizi diyagramlarını kullanarak derin öğrenme tabanlı kötü amaçlı yazılım sınıflandırmasını gerçekleştirdik. Elde edilen sonuçlarda, en iyi performansı gösteren modellerin tutarlılığı 0,97-0,86 AuPRC değerlerine ve 0,95-0,83 arasında F1 puan setlerine ulaştığı görülmüştür.
Özet (Çeviri)
Due to the uptrend of Android apps in recent times, the apps provide are under the threat of malware attacks. Malware detection tools need to be developed to protect against this and similar malware attacks. In the literature review, there are many studies that use static analysis to detect malware. As an example of the studies, a machine learning model is trained to block API requests from within the application code and to distinguish these API requests from malicious and harmless applications. However, the API requests contained herein do not include real-time execution sequence, so it may not be clear in capturing requests comprehensively. At the stage of evaluating the accuracy of the detection, 80% of previous studies are spatially inconsistent (percentages of malware in the tests) or temporally inconsistent. (random test set) In order for the resulting model to perform better, the training and test data must be separate from each other. In the studies, we have more robustly validated whether following the current order of API requests will improve the efficiency of the validation process by testing on a more spatially and temporally consistent test dataset than testing on a randomly generated test set. We performed deep learning-based malware classification using API sequence diagrams that accurately store the order of API requests, showing the results of the work done. Consistency of the best performing models in the results obtained, It was observed that it reached AuPRC values of 0.97-0.86 and F1 score sets between 0.95-0.83.
Benzer Tezler
- Development of a low cost tightly-coupled gnss integrated visual inertial navigation system solution
Düşük maliyetli sıkı bağlı GNSS entegre görsel ataletsel seyrüsefer sistemi çözümünün geliştirilmesi
MEHMET FİKRET ÖCAL
Doktora
İngilizce
2026
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT DURMAZ
DOÇ. DR. HASAN YILDIZ
- Uydu bazlı jeodezik ve jeodinamik veri analiz ve yönetim sistemi tasarımı ve uygulaması
Design and implementation of a satellite-based geodetic and geodynamic data analysis and management system
DENİZ BAŞAR
Doktora
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. RAHMİ NURHAN ÇELİK
- Artificial intelligence based android assistant for colorimetric detection
Kolorimetrik tespit için yapay zeka tabanlı android asistanı
VAKKAS DOĞAN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN KILIÇ
DOÇ. DR. MUSTAFA ŞEN
- Panoramik radyografik görüntüleri kullanan derin öğrenme tabanlı otomatik diş bölütleme yaklaşımı
Deep learning based automated teeth segmentation approach using panoramic radiographic images
CEREN SÖZERİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BAHADIR KARASULU
- A hybrid deep learning approach using multi-indicators for cryptocurrency direction prediction and trading
Kripto para yön tahmini ve ticareti için çoklu göstergeler kullanan hibrit derin öğrenme yaklaşımı
RZA HASANLI
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı (disiplinlerarası)
PROF. DR. MAHİR DURSUN