Kötü Amaçlı Windows Çalıştırılabilir Dosyalarının Derin Öğrenme İle Tespiti

Abstract

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.

Deep Learning Based Malware Detection Tool Development for Android Operating System

“…The attributes extracted from the problem addressed in each layer of the DNN are learned and the attributes learned in that layer constitute the input values for the next layer. In this way, a network structure is created in which the attributes are learned from the first layer to the final layer (Tokmak & Küçüksille, 2019). A DNN with an input layer, two hidden layers and an output layer is shown in Figure 2.…”

“…DNN is used in many areas such as natural language processing, image processing, speech recognition, time series analysis, malware detection (Barros et al, 2017;Cui et al, 2018;Kolosnjaji et al, 2016;Mezgec et al, 2019;Qiu et al, 2017;Ranjan et al, 2017;Tokmak & Küçüksille, 2019;Zeyer et al, 2017).…”