Özet: Günümüz internet çağında kötü amaçlı yazılımlar, bilgi güvenliği açısından ciddi ve gelişen bir tehdit olarak karşımıza çıkmaktadır. Bu nedenle kötü amaçlı yazılımların tespit edilmesi, kötü amaçlı yazılımın yol açabileceği zararların önlenmesi açısından son derece önem arz etmektedir. Bu çalışmada Windows uygulama programlama arayüzü (API) çağrıları ve Windows çalıştırılabilir dosyalarının opsiyonel başlık bölümünün ihtiva ettiği alanlar analiz edilerek kötü amaçlı yazılımlar tespit edilmeye çalışılmıştır. Çalışmada, kötü amaçlı ve kötü amaçlı olmayan çalıştırılabilir dosyalarından oluşan bir veri seti oluşturulmuştur. Veri setinde, 592 kötü amaçlı olmayan yazılım ve 283 kötü amaçlı yazılım olmak üzere 875 Windows çalıştırılabilir dosyası kullanılmıştır. Veri setindeki her bir çalıştırılabilir dosya, Windows uygulama programlama arayüzü çağrıları ve opsiyonel başlık alanları ele alınarak vektörel olarak ifade edilmiştir. Öznitelik vektörü üzerinde temel bileşen analizi yapılarak boyut indirgeme işlemi yapılmıştır. İndirgenen öznitelikler Derin Öğrenme ile eğitilip test edilerek kötü amaçlı yazılım tespiti gerçekleştirilmiştir. Çalışmanın sonunda Derin Öğrenme ile % 100 doğruluk değerine erişilmiştir.Abstract: In today's internet age, malware emerges as a serious and growing threat in terms of information security. Therefore, detecting malware is extremely important in terms of preventing harm that malware may cause. In this study, by analyzing Windows Application Programming Interface (API) calls and the optional header sections of Windows executable files, it was tried to detect malware. A data set consisting of malware and benign executable files was created. In this study, 875 portable executable files were used, 283 of them are benign and 592 of them are malware. Each portable executable file in the data set is expressed in vectors by the taking into account Windows application programming interface calls and the optional header sections. Dimension reduction was made on feature vector. The reduced attributes were trained and tested by Deep Learning and detecting malware was achieved. At the end of the study, it was achieved 100% accuracy with Deep Learning.
Özet: Kuşlar, yaşadığımız çevrenin ayrılmaz bir parçasıdır ve doğa için son derece önemlidir. Kuş türleri sınıflandırması, biyoloji ve çevre araştırmalarındaki umut verici uygulamaları nedeniyle bilgisayar görüntü işleme alanında giderek daha fazla ilgi görmektedir. Kuş türlerinin sınıflandırılması, doğal yaşam alanı ile ilgili arka planlar, ortam ışığı ve tespit edilmek istenen kuşun duruşu gibi etmenler nedeniyle zorlu bir problem olarak tanımlanmaktadır. Bu çalışmada; Örümcek Kuşugiller familyasından Lanius cinsine ait üç tür Evrişimsel Sinir Ağları (ESA) ResNet-152 mimarisi kullanılarak sınıflandırılmıştır. Sonuç olarak; sınıflandırmaya ait yapılan testler ile %96,59 doğruluk değerine, %96,62 kesinlik değerine, %96,59 duyarlılık değerine, %96,60 F1-skoru değerine erişilmiştir. Bu yöntemin ayırt edilmesi zor olan aynı cinse ait türlerin tanınabilmesinde, sınıflandırılmasında başarılı olduğu görülmüştür.
İlk olarak Aralık 2019'da ortaya çıkan ve dünya çapında bir salgına neden olan Koronavirüs (COVID-19) hastalığı; akut solunum sendromu SARS-CoV-2'nin neden olduğu viral bir hastalık olarak tanımlanmaktadır. COVID-19 hastalığının tespiti için güncel olan rRT-PCR testi kullanılmaktadır. Bu testin uzun geri dönüş süresi, %15-20 civarında yanlış negatif oranları ve pahalı ekipmanları olması nedeniyle rutin kan incelemelerinin değerleri ile tespit yöntemi daha hızlı ve daha ucuz bir alternatif olarak değerlendirilebilmektedir. Bu çalışmada, rutin kan testlerinden Derin Sinir Ağları (DSA) kullanılarak COVID-19 tespit edilmeye çalışılmıştır. Kullanılan veri setinde sınıf dengesizliği olduğu için yeniden örnekleme yöntemleriyle sınıf dengesizliği giderilmiş ve kullanılan algoritmaların performansları değerlendirilmiştir. Yeniden örnekleme yapılırken SMOTE, ADASYN, Geometric SMOTE, Random Under-Sampler, Random OverSampler algoritmaları kullanılmıştır. Kurulan model sonunda 0,985 doğruluk değeri ve 0,99 F1-skoru ile en başarılı sonuç, Random OverSampler algoritması ile alınmıştır. Ayrıca yeni girilecek veriler için tahmin yapabilmek amacıyla, PyQt kullanılarak bir uygulama geliştirilmiştir ve kullanılan niteliklerin modele katkıları SHapley Additive Explanations (SHAP) tekniği ile belirlenmiş ve açıklanmıştır.
Android zararlı yazılımları Zararlı yazılım kategorileri Zararlı yazılım aileleri Derin ÖğrenmeÖzet: En yaygın kullanılan mobil platform olan Android, mobil zararlı yazılımların da hedefi haline gelmiştir. Günden güne de Android zararlı yazılım sayısı ve çeşidi artmaktadır. Bu durum göz önüne alındığında, kötü amaçlı yazılım kategorilerini ve ailelerini tespit etmek, zararlı yazılım analistlerinin işlerini kolaylaştıracaktır. Analistler, benzer davranışlar sergileyen zararlı yazılımları incelemek yerine motivasyonlarını yeni örnekleri incelemeye odaklayacaklardır. Bu çalışmada, ICInvesAndMal2019 Android zararlı yazılım veri setinin dinamik analiz yöntemi ile elde edilen özellikleri barındıran kısmı kullanılmıştır. Kullanılan veri seti ile Android zararlı yazılımları kategorilerine ve ailelerine göre sınıflandırılmıştır. Sınıflandırmada Derin Sinir Ağları (DSA) kullanılmıştır. Kurulan model ile yapılan sınıflandırma sonucunda Android zararlı yazılımların kategorilerine göre sınıflandırmasında %85 doğruluk değerine, Android zararlı yazılımların ailelerine göre sınıflandırılmasında %62 doğruluk değerine erişilmiştir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.