Evrişimli sinir ağları tabanlı android zararlı yazılım tespiti velokalizasyonu

Android zararlı yazılımları, gizliliği ve güvenliği tehlikeye atarak mobil kullanıcılar için önemli tehditler oluşturmaktadır. Zararlı kodun bir uygulama içindeki tam yerinin belirlenmesi, zararlı yazılım analizi ve etkili karşı önlemlerin geliştirilmesi için hayati önem taşır. Bu durum, yapay zeka (AI) tabanlı kötü amaçlı yazılım tespit teknikleri için özellikle önemlidir, çünkü bu tür çözümlerin yorumlanabilirliğini ve şeffaflığını artırır. Bu teknikler arasında, evrişimli sinir ağları (CNN'ler), görüntü benzeri verilerdeki desenleri yakalama yetenekleri sayesinde zararlı yazılım tespiti için umut verici bir yaklaşım olarak ortaya çıkmıştır. Kodu görsel temsillere dönüştürerek, CNN tabanlı yaklaşımlar otomatik özellik çıkarımını mümkün kılar ve manuel analize olan bağımlılığı azaltır. Ayrıca, bu yöntemler belirli kod sözdiziminden ziyade yapısal desenlere odaklandıkları için kod gizleme (obfuscation) tekniklerine karşı direnç gösterirler. Ancak, mevcut hiçbir çalışma bu yaklaşımı kullanarak zararlı yazılım içindeki zararlı kodu yerelleştirmeye (tespit etmeye) odaklanmamıştır. Bu çalışmada, Android zararlı yazılım görüntülerindeki sıcak pikselleri (hot pixels) lokalize etmek (yerelleştirmek/tespit etmek) ve bunları karşılık gelen kod segmentleriyle eşleştirerek zararlı kodu bulmak için çoklu belirginlik (saliency) yöntemlerinden (Grad-CAM++, Score-CAM, SmoothGrad, Vanilla Saliency, Integrated Gradients) yararlanan bir CNN yöntemi önermekteyiz. Yöntemimiz, görselleştirilmiş koddaki kilit bölgeleri vurgulayan bir ısı haritası oluşturarak, zararlı yazılım sınıflandırmasına katkıda bulunan kod segmentlerinin belirlenmesine olanak tanır. Gerçek dünyadan zararlı yazılımlar üzerinde yapılan deneysel sonuçlar, önerilen yaklaşımın kötü amaçlı kodu sınıf seviyesinde etkili bir şekilde tanımladığını göstermektedir.