*Learning detector of malicious network communication from data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00223250" target="_blank" >RIV/68407700:21230/14:00223250 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

*Learning detector of malicious network communication from data

Popis výsledku v původním jazyce

*This report summarizes our effort which was dedicated to the problem of learning detectors of a malicious network communication from data. We concentrated on two problems. First, improving the currently used manually created layer-two (L2) detector by using the Support Vector Machine detector learned from examples. We showed that L2-detectors learned automatically from examples have slightly yet consistently better accuracy than the manually created one. Second, we concentrated on designing tools helping to discover new instances of malicious communication in a large pool of unannotated data. We developed a method producing a ranked list of unannotated examples highly suspected from being malicious. The method helped to identify new instances of malicious communication in records of real network traffic.

Název v anglickém jazyce

*Learning detector of malicious network communication from data

Popis výsledku anglicky

*This report summarizes our effort which was dedicated to the problem of learning detectors of a malicious network communication from data. We concentrated on two problems. First, improving the currently used manually created layer-two (L2) detector by using the Support Vector Machine detector learned from examples. We showed that L2-detectors learned automatically from examples have slightly yet consistently better accuracy than the manually created one. Second, we concentrated on designing tools helping to discover new instances of malicious communication in a large pool of unannotated data. We developed a method producing a ranked list of unannotated examples highly suspected from being malicious. The method helped to identify new instances of malicious communication in records of real network traffic.

Druh

V_souhrn - Souhrnná výzkumná zpráva

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

—

Návaznosti

N - Vyzkumna aktivita podporovana z neverejnych zdroju

Rok uplatnění

2014

Kód důvěrnosti údajů

C - Předmět řešení projektu podléhá obchodnímu tajemství (§ 504 Občanského zákoníku), ale název projektu, cíle projektu a u ukončeného nebo zastaveného projektu zhodnocení výsledku řešení projektu (údaje P03, P04, P15, P19, P29, PN8) dodané do CEP, jsou upraveny tak, aby byly zveřejnitelné.

Počet stran výsledku

10

Místo vydání

Praha

Název nakladatele resp. objednatele

Center for Machine Perception, K13133 FEE Czech Technical University

Verze

—