Feature Extraction and Malware Detection on Large HTTPS Data Using MapReduce

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F16%3A10327990" target="_blank" >RIV/00216208:11320/16:10327990 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21230/16:00305565

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-46759-7_24" target="_blank" >http://dx.doi.org/10.1007/978-3-319-46759-7_24</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-46759-7_24" target="_blank" >10.1007/978-3-319-46759-7_24</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Feature Extraction and Malware Detection on Large HTTPS Data Using MapReduce

Popis výsledku v původním jazyce

Secure HTTP network traffic represents a challenging immense data source for machine learning tasks. The tasks usually try to learn and identify infected network nodes, given only limited traffic features available for secure HTTP data. In this paper, we investigate the performance of grid histograms that can be used to aggregate traffic features of network nodes considering just 5-min batches for snapshots. We compare the representation using linear and k-NN classifiers. We also demonstrate that all presented feature extraction and classification tasks can be implemented in a scalable way using the MapReduce approach.

Název v anglickém jazyce

Feature Extraction and Malware Detection on Large HTTPS Data Using MapReduce

Popis výsledku anglicky

Secure HTTP network traffic represents a challenging immense data source for machine learning tasks. The tasks usually try to learn and identify infected network nodes, given only limited traffic features available for secure HTTP data. In this paper, we investigate the performance of grid histograms that can be used to aggregate traffic features of network nodes considering just 5-min batches for snapshots. We compare the representation using linear and k-NN classifiers. We also demonstrate that all presented feature extraction and classification tasks can be implemented in a scalable way using the MapReduce approach.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-08916S" target="_blank" >GA15-08916S: Efektivní identifikace podgrafů při analýze webových grafů velikosti petabajtů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Similarity Search and Applications

ISBN

978-3-319-46758-0

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

14

Strana od-do

311-324

Název nakladatele

Springer International Publishing

Místo vydání

Switzerland

Místo konání akce

Tokyo

Datum konání akce

24. 10. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—