Makine öğrenimi ve özellik seçim yöntemlerini kullanarak kötü amaçlı yazılım tespiti

Bu tez, çeşitli makine öğrenmesi yöntemlerini ve özellik seçme yöntemlerini kullanarak kötü amaçlı yazılım tespiti için etkili bir tahmin modelleri geliştirmeyi amaçlamaktadır. Çalışmada, Light Gradient Boosting Machine (LightGBM), Karar Ağacı (DT), K-En Yakın Komşular (KNN), Çok Katmanlı Perceptron (MLP), Destek Vektör Makineleri (SVM) ve Naive Bayes (NB) sınıflandırıcıları kullanılmış ve özellikle, Windows işletim sistemine ait PE dosya başlık bilgilerinden oluşturulan 5136 örnek (2683 Kötü niyetli, 2501 İyi huylu dosyalar) analiz edilmiştir. Relief-F ve Minimum Redundancy Maximum Relevance (mRMR) özellik seçicileri kullanılarak geliştirilen modellerin performansının değerlendirilmesinde doğruluk (accuracy), F1 puanı (F1-Score), geri çağırma (recall), ve kesinlik (precision) kriterleri kullanılmıştır. Ayrıca, her modelin genelleme yeteneğini artırmak için 10 kat çapraz doğrulama kullanılmış ve her yöntem için en iyi performansa ait modelin karmaşıklık matrisleri de sunulmuştur. Sonuçlar, LightGBM algoritmasının varsayılan ve optimize edilmiş parametrelerle kötü amaçlı yazılım tespitinde umut verici sonuçlar sunduğunu göstermiştir. Bunun yanı sıra, Relief-F özellik seçicisinin mRMR'a göre daha başarılı olduğu gözlemlenmiştir. Bu bulgular, LightGBM'nin kötü amaçlı yazılım tespiti alanında etkili bir yöntem olarak öne çıkabileceğini ve Relief-F gibi tekniklerin özellik seçiminde faydalı olabileceğini göstermektedir.