Klasifikacija zloćudnih programa primjenom dubokog učenja

master's thesis

• Title (english): Malware Classification Based on Deep Learning
• Author: Ivona Brajdić
• Mentor: Zoran Kalafatić (mentor)
• Committee member: Zoran Kalafatić (predsjednik povjerenstva)
• Committee member: Tomislav Hrkać (član povjerenstva)
• Committee member: Stjepan Groš (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2019-07-11, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

Zloćudni programi problem su svakog korisnika Interneta, a sve su brojniji i mogu izazvati veliku štetu. Godišnje se otkriju stotine milijuna novih varijanti zloćudnih programa, a praćenje istih postaje sve kompliciranije. Međutim, nove varijante zloćudnih programa najvećim dijelom nastaju kao manje modifikacije već poznatih programa. Napadači tako pokušavaju izbjeći njihovu detekciju uz jednaku funkcionalnost. Zbog toga se pojavila potreba svrstavanja zloćudnih programa u obitelji, odnosno... More grupe programa čija je funkcionalnost međusobno jednaka, no datoteke su naizgled različite. Ovaj rad bavi se problematikom svrstavanja zloćudnih programa u obitelji, primjenom vizualizacije njihovog binarnog koda te klasifikacijom dobivenih slika konvolucijskom neuronskom mrežom. Istražuju se prednosti i nedostaci ovakvog pristupa kroz implementaciju vizualizacije i klasifikacije te evaluaciju klasifikatora. Less

Abstract (english)

Nearly every Internet user has come across a malicious program at least once. Malware can cause financial damage and invade people's privacy. Research has shown that hundreds of millions of new malware variants are discovered each year and detecting them is becoming more complicated. However, most of these new variants are just modifications of existing malicious programs. Attackers modify malware in order to avoid detection, which results in many seemingly different files that have the... More same behaviour. In order to be effective in analyzing and classifying these files, we should be able to group them and identify their respective families. This thesis discusses the method of malware binary visualization following with a convolutional neural network that predicts the family to which the malware belongs. Less

• Keywords: Zloćudni program; duboko učenje; konvolucijske neuronske mreže; klasifikacija; vizualizacija
• Keywords (english): Malware; deep learning; convolutional neural network; classification; visualization
• Language: croatian
• URN:NBN: urn:nbn:hr:168:332368
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2020-01-07 16:58:47