Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli

Burak Alperen Bahçeci; Mesut Toğaçar

doi:10.54365/adyumbd.1805519

TR EN

Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli

Öz

Günümüzde siber güvenlik alanında fidye yazılımları, veri gizliliği ve bütünlüğü açısından en kritik tehditlerden biri haline gelmiştir. Bu tür zararlı yazılımlar, sistemlere sızarak önemli verileri şifreler, kullanıcı erişimini engeller ve hem bilgi güvenliği hem de ekonomik istikrar üzerinde ciddi tehditler oluşturur. Bu çalışmada, fidye yazılımlarının tespiti için zaman-frekans dönüşümlerine dayalı yeni bir analiz yaklaşımı önerilmektedir. Gerçek dünyadan elde edilen açık erişimli bir veri kümesi kullanılarak bir boyutlu veriler dalgacık dönüşüm teknikleriyle iki boyutlu spektral görüntülere dönüştürülmüştür. Bu görüntüler Vision Transformer modeliyle eğitilmiş, elde edilen özellik setleri incelenmiştir. En yüksek performansı gösteren özellikler, mRMR ve Relief yöntemleriyle seçilerek sınıflandırma başarısına etkileri analiz edilmiştir. Seçilen özellik setlerinin birleştirilmesiyle oluşturulan yapı, Naif Bayes sınıflandırıcısı kullanılarak değerlendirilmiştir. Elde edilen %99.3 doğruluk oranı çapraz doğrulama yöntemiyle teyit edilmiştir. Sonuçlar, önerilen yaklaşımın fidye yazılımlarını geleneksel yöntemlere göre daha yüksek doğrulukla tespit ettiğini göstermektedir.

Anahtar Kelimeler

Sahte imza tespiti, Siber Saldırı, Transformer öğrenme, Anomali tespiti, Dalgacık dönüşüm.

Ransomware Anomaly and Fake Signature Detection: Time-Frequency Transform and Transformer-Based Analysis Model

Öz

In recent years, ransomware has emerged as one of the most critical threats in the field of cybersecurity, particularly with respect to data privacy and integrity. Such malicious software infiltrates systems, encrypts sensitive data, restricts user access, and poses serious risks to both information security and economic stability. In this study, a novel analysis approach based on time–frequency transformations is proposed for ransomware detection. Using a real-world, publicly available dataset, one-dimensional data are transformed into two-dimensional spectral images through wavelet-based transformation techniques. These images are used to train a Vision Transformer model, and the resulting feature sets are examined. The features yielding the highest performance are selected using the mRMR and Relief algorithms, and their impact on classification performance is analyzed. The structure formed by combining the selected feature sets is evaluated using a Naive Bayes classifier. The achieved classification accuracy of 99.3% is validated through a cross-validation methodology. The results demonstrate that the proposed approach detects ransomware with higher accuracy compared to traditional methods.

Anahtar Kelimeler

Fake signature detection, Cyber attack, Transformer learning, Anomaly detection, Wavelet transformation.

Kaynakça

Karaca MF, Erbey A, Parmaksız H, Fidan Ü. Yönetim bilişim sistemlerinde güncel konular. İstanbul: Özgür Yayınları; 2024. https://doi.org/10.58830/OZGUR.PUB498.
Stallings W. Effective cybersecurity: understanding and using standards and best practices. Addison-Wesley; 2018. https://www.oreilly.com/library/view/effective-cybersecurity-a/9780134772929/ (Erişim tarihi: 08.05.2025)
Çiçek AE. Türkiye’nin yapay zeka tabanlı siber güvenlik stratejisi: ulusal güvenliği güçlendirmek ve küresel siber yönetişime yön vermek. Yönetim Bilimleri Dergisi 2025; 23:993–1012. https://doi.org/10.35408/COMUYBD.1584175.
Çelik S, Çeliktaş B. Güncel siber güvenlik tehditleri: fidye yazılımlar. Cyberpolitik Journal 2018; 3:105–132. https://dergipark.org.tr/tr/pub/cyberj/issue/39157/460303 (Erişim tarihi: 08.05.2025)
Köksal M. Kamu güvenliği ve siber alan. Verimlilik Dergisi 2025; 27–29. https://edergi.sanayi.gov.tr/ (Erişim tarihi: 08.05.2025)
AB Siber Güvenlik Ajansı (ENISA). Council, European Union - Consilium; 2024. https://www.consilium.europa.eu/en/ (Erişim tarihi: 08.05.2025)
Zahra SR, Heeney S, Jakim B. UGRansome: optimal approach for anomaly intrusion detection and zero-day threats using cloud environment. [MSc thesis]. Dublin: National College of Ireland, School of Computing; 2022.
Toğaçar M. Arşimet optimizasyon algoritması ile trafo tabanlı evrişimsel sinir ağı modelini kullanarak yazılım tanımlı ağ teknolojisi verilerinde saldırı tespiti. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2022; 34:341–349. https://doi.org/10.35234/FUMBD.1026610.
Torky B. Ensemble methods for the anomaly detection in enterprise systems [MSc thesis]. Dubai: Rochester Institute of Technology; 2023.
Igugu A. Evaluating the effectiveness of AI and machine learning techniques for zero-day attacks detection in cloud environments [MSc thesis]. Sweden: Luleå University of Technology; 2024.

Yan P, Khoei TT, Hyder RS. A dual-stage ensemble approach to detect and classify ransomware attacks. In: 2024 IEEE 15th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON); 2024. p. 781–786. https://doi.org/10.1109/UEMCON62879.2024.10754695.
Por LY, Dai Z, Leem SJ, Chen Y, Yang J, Binbeshr F, Phan KY, Ku CS. A systematic literature review on the methods and challenges in detecting zero-day attacks: insights from the recent CrowdStrike incident. IEEE Access 2024. https://doi.org/10.1109/ACCESS.2024.3455410.
Kumar RVSA, Rayudu K, Kumar SR. Enhancing ransomware detection in cybersecurity: a comprehensive ensemble approach. Journal of Electrical Systems 2024; 20:5222–5232. https://doi.org/10.52783/JES.6235.
Alzahrani S, Xiao Y, Asiri S, Alasmari N, Li T. RansomFormer: a cross-modal transformer architecture for ransomware detection via the fusion of byte and API features. Electronics 2025; 14:1245. https://doi.org/10.3390/electronics14071245.
Mohamed AA, Al-Saleh A, Sharma SK, Tejani GG. Zero-day exploits detection with adaptive WavePCA-Autoencoder (AWPA) adaptive hybrid exploit detection network (AHEDNet). Sci Rep 2025; 15:4036. https://doi.org/10.1038/s41598-025-87615-2.
Ghadami R. An intrusion detection system in the Internet of Things with deep learning and an improved arithmetic optimization algorithm (AOA) and sine cosine algorithm (SCA). Scientific Reports, 2025; 15. https://doi.org/10.1038/s41598-025-22074-3.
Enisoglu R, Rakocevic V. A novel wavelet transform and deep learning-based algorithm for low-latency internet traffic classification. Algorithms, 2025; 18:457. https://doi.org/10.3390/A18080457.
Takahashi S, Sakaguchi Y, Kouno N, Takasawa K, Ishizu K, Akagi Y, Aoyama R, Teraya N, Bolatkan A, Shinkai N, Machino H, Kobayashi K, Asada K, Komatsu M, Kaneko S, Sugiyama M, Hamamoto R. Comparison of vision transformers and convolutional neural networks in medical image analysis: a systematic review. Journal of Medical Systems, 2024; 48:84. https://doi.org/10.1007/s10916-024-02105-8.
Nkongolo MW. UGRansome veri kümesi. Kaggle, n.d. https://www.kaggle.com/datasets/nkongolo/ugransome-dataset?resource=download (Erişim tarihi: 17.05.2025)
Sonkar S. Transfer learning: leveraging pre-trained models for limited datasets through fine-tuning. International Journal of Information Technology and Management Information Systems, 2025; 16. https://doi.org/10.34218/IJITMIS_16_02_037.
Jiang J, Zhang C, Ke L, Hayes N, Zhu Y, Qiu H, Zhang B, Zhou T, Wei GW. A review of machine learning methods for imbalanced data challenges in chemistry. Chemical Science, 2025; 16. https://doi.org/10.1039/D5SC00270B.
Thölke P, Mantilla-Ramos YJ, Abdelhedi H, Maschke C, Dehgan A, Harel Y, Kemtur A, Mekki Berrada L, Sahraoui M, Young T, Bellemare Pépin A, El Khantour C, Landry M, Pascarella A, Hadid V, Combrisson E, O’Byrne J, Jerbi K. Class imbalance should not throw you off balance: choosing the right classifiers and performance metrics for brain decoding with imbalanced data. NeuroImage, 2023; 277:120253. https://doi.org/10.1016/j.neuroimage.2023.120253.
Addison PS. The illustrated wavelet transform handbook: introductory theory and applications in science, engineering, medicine and finance. Boca Raton: CRC Press; 2017. https://doi.org/10.1201/9781315372556.
Yan Y, Li QM. A general shock waveform and characterisation method. Mechanical Systems and Signal Processing, 2020; 136:106508. https://doi.org/10.1016/j.ymssp.2019.106508.
Arts LPA, van den Broek EL. The fast continuous wavelet transformation (fCWT) for real-time, high-quality, noise-resistant time–frequency analysis. Nature Computational Science, 2022; 2:47–58. https://doi.org/10.1038/s43588-021-00183-z.
Torrence C, Compo GP. A practical guide to wavelet analysis. Bulletin of the American Meteorological Society, 1998; 79:61–78. https://doi.org/10.1175/1520-0477(1998)079.
Khairudin K, Hakim L, Nasution FH, Kurniawan R. The application of complex Morlet wavelet for estimating damping ratio and detecting inter-area oscillation mode on a real power system. In: Proceedings of the 2021 International Conference on Converging Technology in Electrical and Information Engineering; 2021. p. 1–4. https://doi.org/10.1109/ICCTEIE54047.2021.9650653.
Welch G, Bishop G. An introduction to the Kalman filter. Chapel Hill: University of North Carolina; 2006. http://www.cs.unc.edu/~gb (Erişim tarihi: 12.05.2025)
Soniya S, Sriharipriya KC. Integrating Kalman filter noise residue into U-Net for robust image denoising: the KU-Net model. Scientific Reports, 2024; 14:23641. https://doi.org/10.1038/s41598-024-74777-8.
Çayıroğlu İ. Kalman filtresi ve programlama. 2012. http://www.ibrahimcayiroglu.com (Erişim tarihi: 01.06.2025)
Dosovitskiy A, Beyer L, Kolesnikov A, Weissenborn D, Zhai X, Unterthiner T, Dehghani M, Minderer M, Heigold G, Gelly S, Uszkoreit J, Houlsby N. An image is worth 16x16 words: transformers for image recognition at scale. In: 9th International Conference on Learning Representations (ICLR 2021); 2020. https://arxiv.org/pdf/2010.11929 (Erişim tarihi: 24.01.2026)
Devlin J, Chang MW, Lee K, Toutanova K. BERT: pre-training of deep bidirectional transformers for language understanding. In: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics; 2019. p. 4171–4186. https://doi.org/10.18653/v1/N19-1423.
Parvaiz A, Khalid MA, Zafar R, Ameer H, Ali M, Fraz MM. Vision transformers in medical computer vision—a contemplative retrospection. Engineering Applications of Artificial Intelligence, 2023; 122:106126. https://doi.org/10.1016/j.engappai.2023.106126.
Tuncel İ, Albayrak A, Akın M. Öz dikkat mekanizması tabanlı görü dönüştürücü kullanılarak sıtma parazit tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 2022; 13:271–277. https://doi.org/10.24012/DUMF.1120289.
Khudhair Abbas Ali A, Aydın Y. Vision transformer-based approach: a novel method for object recognition. Karadeniz Fen Bilimleri Dergisi, 2025; 15:560–576. https://doi.org/10.31466/KFBD.1620640.
Cıbuk M, Budak U, Guo Y, İnce MC, Şengür A. Efficient deep features selections and classification for flower species recognition. Measurement, 2019; 137:7–13. https://doi.org/10.1016/j.measurement.2019.01.041.
Toğaçar M, Ergen B, Cömert Z. Detection of lung cancer on chest CT images using minimum redundancy maximum relevance feature selection method with convolutional neural networks. Biocybernetics and Biomedical Engineering, 2020; 40:23–39. https://doi.org/10.1016/j.bbe.2019.11.004.
Aggarwal N, Shukla U, Saxena GJ, Rawat M, Bafila AS, Singh S, Pundir A. Mean-based relief: an improved feature selection method based on ReliefF. Applied Intelligence, 2023; 53:23004–23028. https://doi.org/10.1007/s10489-023-04662-w.
Le TT, Urbanowicz RJ, Moore JH, McKinney BA. Statistical inference Relief (STIR) feature selection. Bioinformatics, 2019; 35:1358–1365. https://doi.org/10.1093/bioinformatics/bty788.
Wang Q, Garrity GM, Tiedje JM, Cole JR. Naïve Bayesian classifier for rapid assignment of rRNA sequences into the new bacterial taxonomy. Applied and Environmental Microbiology, 2007; 73:5261–5267. https://doi.org/10.1128/AEM.00062-07.
Rafdi A, Mawengkang H, Efendi S. Sentiment analysis using Naive Bayes algorithm with feature selection particle swarm optimization and genetic algorithm. International Journal of Advances in Data and Information Systems, 2021; 2. https://doi.org/10.25008/ijadis.v2i2.1224.
Zhou H, Zou H, Li W, Li D, Kuang Y. HiViT-IDS: an efficient network intrusion detection method based on vision transformer. Sensors, 2025; 25:1752. https://doi.org/10.3390/S25061752.
Karadeniz AT, Başaran E, Çelik Y. Classification of walnut dataset by selecting CNN features with whale optimization algorithm. Multimedia Tools and Applications, 2024; 83:77061–77076. https://doi.org/10.1007/s11042-024-18586-1.
Hasnain M, Pasha MF, Ghani I, İmran M, Alzahrani MY, Budiarto R. Evaluating trust prediction and confusion matrix measures for web services ranking. IEEE Access, 2020; 8:90847–90861. https://doi.org/10.1109/ACCESS.2020.2994222.
Kim HE, Maros ME, Miethke T, Kittel M, Siegel F, Ganslandt T. Lightweight visual transformers outperform convolutional neural networks for gram-stained image classification: an empirical study. Biomedicines, 2023; 11. https://doi.org/10.3390/biomedicines11051333.
Purohit R, Kumar S, Sayyad S, Kotecha K. Time-frequency analysis and autoencoder approach for network traffic anomaly detection. MethodsX, 2025; 14:103228. https://doi.org/10.1016/j.mex.2025.103228.
Huang H, Al-Azzawi H, Brani H. Network traffic anomaly detection. Cornell University, 2014. https://doi.org/10.48550/arXiv.1402.0856.
Phatcharathada B, Srisuradetchai P. Randomized feature and bootstrapped Naive Bayes classification. Applied System Innovation, 2025; 8:94. https://doi.org/10.3390/ASI8040094.
Peretz O, Koren M, Koren O. Naive Bayes classifier—an ensemble procedure for recall and precision enrichment. Engineering Applications of Artificial Intelligence, 2024; 136:108972. https://doi.org/10.1016/j.engappai.2024.108972.
Zaidi NA, Jeś J, Cerquides J, Carman MJ, Webb GI. Alleviating Naive Bayes attribute independence assumption by attribute weighting. Journal of Machine Learning Research, 2013; 14:1947–1988. https://www.jmlr.org/papers/v14/zaidi13a.html.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Derin Öğrenme

Bölüm

Araştırma Makalesi

Yazarlar

Burak Alperen Bahçeci ^*
0000-0002-7168-6957
Türkiye

Mesut Toğaçar
0000-0002-8264-3899
Türkiye

Yayımlanma Tarihi

30 Nisan 2026

Gönderilme Tarihi

17 Ekim 2025

Kabul Tarihi

24 Mart 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 13 Sayı: 1

DOI

https://doi.org/10.54365/adyumbd.1805519

IZ

https://izlik.org/JA48DJ66JA

APA

Bahçeci, B. A., & Toğaçar, M. (2026). Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, 13(1), 1-20. https://doi.org/10.54365/adyumbd.1805519

AMA

1.Bahçeci BA, Toğaçar M. Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi. 2026;13(1):1-20. doi:10.54365/adyumbd.1805519

Chicago

Bahçeci, Burak Alperen, ve Mesut Toğaçar. 2026. “Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli”. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 13 (1): 1-20. https://doi.org/10.54365/adyumbd.1805519.

EndNote

Bahçeci BA, Toğaçar M (01 Nisan 2026) Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 13 1 1–20.

IEEE

[1]B. A. Bahçeci ve M. Toğaçar, “Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli”, Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, c. 13, sy 1, ss. 1–20, Nis. 2026, doi: 10.54365/adyumbd.1805519.

ISNAD

Bahçeci, Burak Alperen - Toğaçar, Mesut. “Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli”. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi 13/1 (01 Nisan 2026): 1-20. https://doi.org/10.54365/adyumbd.1805519.

JAMA

1.Bahçeci BA, Toğaçar M. Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi. 2026;13:1–20.

MLA

Bahçeci, Burak Alperen, ve Mesut Toğaçar. “Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli”. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, c. 13, sy 1, Nisan 2026, ss. 1-20, doi:10.54365/adyumbd.1805519.

Vancouver

1.Burak Alperen Bahçeci, Mesut Toğaçar. Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi. 01 Nisan 2026;13(1):1-20. doi:10.54365/adyumbd.1805519

Fidye Yazılımlarında Anomali ve Sahte İmza Tespiti: Zaman-Frekans Dönüşümü ve Transformer Tabanlı Analiz Modeli

Öz

Anahtar Kelimeler

Ransomware Anomaly and Fake Signature Detection: Time-Frequency Transform and Transformer-Based Analysis Model

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster