Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora

diplomski rad

• Naslov (engleski): Malware Detection Using Support Vector Machine as Classifier
• Autor: Nicole Bilić
• Mentor: Marin Golub (mentor)
• Član povjerenstva: Marin Golub (predsjednik povjerenstva)
• Član povjerenstva: Stjepan Groš (član povjerenstva)
• Član povjerenstva: Dejan Škvorc (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2016-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Program za detekciju zloćudnog softvera (eng. malware) napravljen na
temelju klasifikacije potpornog stroja vektora (eng. Support vector machine,
SVM). Program detektira zloćudni softver u izvršnim datotekama (npr .exe, .dll).
Skup podataka za učenje, validaciju i testiranje je asembler dobiven
dekompilacijom izvršnih datoteka, a potom izračun frekvencija pojave pojedine
naredbe što je ujedno i ulaz u SVM. Korištenjem skupa za validaciju za
minimizaciju ukupne pogreške, određen je broj dimenzija (eng. dimensionality
reduction) i jezgra (eng. kernel) SVMa. Za redukciju dimenzija moguće je koristiti
algoritme PCA (eng. Principal Component Analysis), LDA (eng. Linear
Discriminant Analysis) i sl. Odabrani SVM je testiran na skupu za testiranje i iz
rezultata su izračunati preciznost, odziv te tzv. F1 rezultat, te broj lažno
pozitivnih, lažno negativnih te ispravno klasificiranih jedinki (izvršnih datoteka).

Sažetak (engleski)

Malware detection software based on Support Vector Machine (SVM)
classifier.Software detects malware in executable files (such as .exe, .dll).
Dataset, divided into training, validation and test set, is an assembly code
obtained by disassembling executable. Assembly is then processed, and
afterwards frequency for each command is calculated. Using validation set to
minimize the total error, dimensionality reduction is performed using different
techniques such as Principal Component Analysis, PCA or Linear Discriminant
Analysis, LDA. Furthermore, SVM kernel is chosen based on validation set as
well. SVM with optimal parameters is tested on test set and precision, recall and
F1measure are calculated, as well as number of false positives, false negatives
and correctly classified executables.

• Ključne riječi: zloćudni softver; klasifikacija; SVM; potporni stroj vektora; redukcija dimenzionalnosti; jezgra; PCA; LDA; preciznost; odziv; F1 rezultat; lažno pozitivni; lažno negativni
• Ključne riječi (engleski): malware; SVM; support vector machine; PCA; principal component analysis; LDA; linear discriminant analysis; dimensionality reduction; dataset; kernel; precision; recall; F1measure; false positive; false negative; classification
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:189852
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2018-02-06 07:54:28