Kötü Amaçlı Yazılım Türlerinin Tespitinde Kullanılan 1B Verilerin 2B Barkod Türlerine Dönüştürülerek Derin Ağlarla Analizlerinin Gerçekleştirilmesi

Öz

Kötü amaçlı yazılımlar bilgisayar tabanlı sistemlere zarar vermek, önemli bilgileri elde etmek veya değiştirmek amaçlı hazırlanmış yazılımlardır. Bu tür yazılımlar insanların etkileşim içerisinde olduğu ağ ortamlarını hedef alırlar. Bu ağ ortamlarında kullanılan akıllı cihazlar günümüzde hayatımızın vazgeçilmez parçalarından biri olmuştur. Akıllı cihazların güvenliğini sağlayabilmek, zararlı yazılımların tespitini gerçekleştirebilmek için son zamanlarda yapay zekâ tabanlı birçok çalışma gerçekleşmiştir. Bu çalışmanın veri kümesi gizlenmiş kötü amaçlı yazılım türlerini içerisinde barındıran metin tabanlı içeriklerden oluşmaktadır. Önerilen yaklaşım, önişlem adımından ve derin öğrenme modelinden oluşmaktadır. Önişlem adımında metin tabanlı veriler, 2-boyutlu barkod türlerine dönüştürülerek iki yeni veri kümesi elde edilmiştir. Bir sonraki adımda veri kümeleri tasarlanmış derin ağ modeli tarafından eğitilerek özellik setleri çıkartılmıştır. Son adımda özellik setleri birleştirilerek sınıflandırma süreci Softmax yöntemi kullanılarak gerçekleşmiştir. Deneysel analizler önerilen yaklaşımın genel performansı artırdığı görülmüştür ve sınıflandırma sürecinde genel doğruluk başarısı %100 olarak elde edilmiştir.

Anahtar Kelimeler

• Özellik Çıkarma
• Kötü Amaçlı Yazılımlar
• 2B Barkod Türleri
• Derin Öğrenme

Conversion of 1D Data Used in Detection of Malware Types to 2D Barcode Types and Analysis with Deep Networks

Öz

Malware is software designed to damage computer-based systems, obtain or modify important information. This type of software targets network environments where people interact. Smart devices used in these network environments have become one of the indispensable parts of our lives today. Recently, many artificial intelligence-based studies have been carried out in order to ensure the security of smart devices and to detect malicious software. The dataset of this study consists of text-based content containing hidden malware types. The proposed approach consists of a preprocessing step and a deep learning model. In the preprocessing step, two new datasets were obtained by transforming the text-based data into 2-dimensional barcode types. In the next step, the feature sets were extracted by training the datasets by the designed deep network model. In the last step, the feature sets were combined and the classification process was carried out using the Softmax method. Experimental analyzes showed that the proposed approach increased the overall performance and the overall accuracy in the classification process was 100%.

Anahtar Kelimeler

• Feature Extraction
• Malware
• 2D Barcode Types
• Deep Learning

Kaynakça

1. M.D. Yılmaz “Malware classification with using deep learning”, Comput. Informatics, vol. 2, no. 2, pp. 21–40, 2022.
2. U.H. Tayyab, F.B. Khan, M.H. Durad, A. Khan, and Y.S. Lee “A Survey of the Recent Trends in Deep Learning Based Malware Detection”, J. Cybersecurity Priv., vol. 2, no. 4, pp. 800–829, 2022.
3. M. Toğaçar “Siber Saldırılara Karşı Kullanılan Makine Öğrenme Yöntemlerinin Web Uygulamalarında Güvenlik Etkinliğinin Ölçümü”, Gazi Üniversitesi Fen Bilim. Derg. Part C Tasarım ve Teknol., vol. 9, no. 4, pp. 608–620, 2021.
4. M.S. Akhtar and T. Feng “Detection of Malware by Deep Learning as CNN-LSTM Machine Learning Techniques in Real Time”, Symmetry (Basel)., vol. 14, no. 11, pp. 2308, 2022.
5. D. Yuxin and Z. Siyi “Malware detection based on deep learning algorithm”, Neural Comput. Appl., vol. 31, no. 2, pp. 461–472, 2019.
6. V. Ravi, M. Alazab, S. Selvaganapathy, and R. Chaganti “A Multi-View attention-based deep learning framework for malware detection in smart healthcare systems”, Comput. Commun., vol. 195, pp. 73–81, 2022.
7. J. Pavithra and S. Selvakumara Samy “A Comparative Study on Detection of Malware and Benign on the Internet Using Machine Learning Classifiers”, Math. Probl. Eng., vol. 2022, pp. 1–8, 2022.
8. T. Carrier, P. Victor, A. Tekeoğlu, and A. Lashkari “Malware Memory Analysis”, UNB, 2022.

9. D. G. Tec-it “Data Matrix (ECC200) - 2D Barcode”, 2022.
10. C. Center “Aztec Codes”, url: https://www.cognex.com/resources/symbologies/2-d-matrix-codes/aztec-codes, (Erişim Tarihi: 12/03/2023).
11. A. Zafar “A Comparison of Pooling Methods for Convolutional Neural Networks”, Appl. Sci., vol. 12, no. 17, p. 8643, 2022.
12. C. Garbin, X. Zhu, and O. Marques “Dropout vs. Batch Normalization: An Empirical Study of Their Impact to Deep Learning”, Multimed. Tools Appl., vol. 79, no. 19, pp. 12777–12815, 2020.
13. T. Huang, J. Chen, and L. Jiang “DS-UNeXt: depthwise separable convolution network with large convolutional kernel for medical image segmentation”, Signal Image Video Process, 2022.
14. M.R.A. Bacha, A. Oukebdane, and A. Hafid Belbachir “Implementation of the zero-padding interpolation technique to improve angular resolution of X-ray tomographic acquisition system”, Pattern Recognit. Image Anal., vol. 26, no. 4, pp. 817–823, 2016.
15. R. Nirthika, S. Manivannan, A. Ramanan, and R. Wang “Pooling in convolutional neural networks for medical image analysis: a survey and an empirical study”, Neural Comput. Appl., vol. 34, no. 7, pp. 5321–5347, 2022.
16. G.C. Cardarilli et al. “A pseudo-softmax function for hardware-based high speed image classification”, Sci. Rep., vol. 11, no. 1, p. 15307, 2021.
17. D. Alimov “Aztec Code generator”, url: https://pypi.org/project/aztec-code-generator/, (Erişim Tarihi: 21/02/2023).
18. X. Ling Yushulx “Barcode Image Composer”, url: https://pypi.org/project/barcode-image-composer/, (Erişim Tarihi: 21/02/2023).
19. E. Başaran “Classification of white blood cells with SVM by selecting SqueezeNet and LIME properties by mRMR method”, Signal Image Video Process., vol. 16, no. 7, pp. 1821–1829, 2022.
20. A. Çalışkan “Detecting human activity types from 3D posture data using deep learning models”, Biomed. Signal Process. Control, vol. 81, p. 104479, 2023.
21. A. Ari “Multipath feature fusion for hyperspectral image classification based on hybrid 3D/2D CNN and squeeze-excitation network”, Earth Sci. Informatics, vol. 16, no. 1, pp. 175–191, 2023.
22. M. Toğaçar, B. Ergen, and Z. Cömert “Detection of weather images by using spiking neural networks of deep learning models”, Neural Comput. Appl., vol. 33, no. 11, pp. 6147–6159, 2021.
23. M.H.L. Louk and B.A. Tama “Tree-Based Classifier Ensembles for PE Malware Analysis: A Performance Revisit”, Algorithms, vol. 15, no. 9, p. 332, 2022.
24. M. Dener, G. Ok, and A. Orman “Malware Detection Using Memory Analysis Data in Big Data Environment”, Appl. Sci., vol. 12, no. 17, p. 8604, 2022.
25. A. Mezina and R. Burget “Obfuscated malware detection using dilated convolutional network”, 14th Int. Congr. Ultra Mod. Telecommun. Control Syst. Work., p. 110–115, 2022.
26. M.A. Talukder et al. “A dependable hybrid machine learning model for network intrusion detection”, J. Inf Secur. Appl., no. 72, p. 103405, 2023.