Detekcija centara za zapovijedanje i nadzor zloćudnih programa

undergraduate thesis

• Title (english): Detection of malware command and control centers
• Author: Tomislav Babić
• Mentor: Ante Đerek (mentor)
• Committee member: Ante Đerek (predsjednik povjerenstva)
• Committee member: Petar Paradžik (član povjerenstva)
• Committee member: Rudolf Lovrenčić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2020-07-07, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Algoritamski generirane domene ključne su za komunikaciju zloćudnih programa s centrima za zapovijedanje i nadzor. Zbog toga je njihova detekcija od velike važnosti za računalnu sigurnost. U ovom završnom radu iznesen je kratki pregled načina korištenja algoritamski generiranih domena u zloćudnim programima. Nakon toga razmotrena je primjena dubokog učenja za detekciju algoritamski generiranih domena. Napravljena je usporedba dva različita modela dubokog učenja na dva različita skupa podataka. Na temelju dobivenih rezultata zaključeno je da obje arhitekture imaju veliku točnost i mogu se koristiti za detekciju algoritamski generiranih domena. Međutim, arhitekture imaju značajnu razliku u vremenu potrebnom za treniranje dok razlika u točnosti nije značajna. Zbog toga, kod korištenja dubokog učenja za detekciju algoritamski generiranih domena, treba dati prednost modelima koji imaju kraće vrijeme treniranja.

Abstract (english)

Algorithmically generated domains are key for communication between malicious programs and their command and control centers. Therefore, their detection is of the utmost importance for cybersecurity. In this bachelor’s thesis, I first give a short overview of how domain generation algorithms enable communication between malicious software and their command and control centers. After that, I considered the possibility of applying deep learning to this problem. Two different deep learning models were compared on two different domain datasets. Results show that both models have high accuracy and that they can be used for the detection of algorithmically generated domains. Since there is a significant difference in training times between the models, without any significant difference in accuracy, when choosing which model to use preference should be given to ones with shorter training times.

• Keywords: algoritam za generiranje domena; algoritamski generirane domene; duboko učenje; zloćudni programi; računalna sigurnost
• Keywords (english): domain generation algorithm; algorithmically generated domains; deep learning; cybersecurity
• Language: croatian
• URN:NBN: urn:nbn:hr:168:298756
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-14 08:20:21