Distance Metric Learning using Particle Swarm Optimization to Improve Static Malware Detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F20%3A00341833" target="_blank" >RIV/68407700:21240/20:00341833 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.insticc.org/node/TechnicalProgram/icissp/2020/presentationDetails/91808" target="_blank" >https://www.insticc.org/node/TechnicalProgram/icissp/2020/presentationDetails/91808</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.5220/0009180807250732" target="_blank" >10.5220/0009180807250732</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Distance Metric Learning using Particle Swarm Optimization to Improve Static Malware Detection

Popis výsledku v původním jazyce

Distance metric learning is concerned with finding appropriate parameters of distance function with respect to a particular task. In this work, we present a malware detection system based on static analysis. We use k-nearest neighbors (KNN) classifier with weighted heterogeneous distance function that can handle nominal and numeric features extracted from portable executable file format. Our proposed approach attempts to specify the weights of the features using particle swarm optimization algorithm. The experimental results indicate that KNN with the weighted distance function improves classification accuracy significantly.

Název v anglickém jazyce

Distance Metric Learning using Particle Swarm Optimization to Improve Static Malware Detection

Popis výsledku anglicky

Distance metric learning is concerned with finding appropriate parameters of distance function with respect to a particular task. In this work, we present a malware detection system based on static analysis. We use k-nearest neighbors (KNN) classifier with weighted heterogeneous distance function that can handle nominal and numeric features extracted from portable executable file format. Our proposed approach attempts to specify the weights of the features using particle swarm optimization algorithm. The experimental results indicate that KNN with the weighted distance function improves classification accuracy significantly.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/EF16_019%2F0000765" target="_blank" >EF16_019/0000765: Výzkumné centrum informatiky</a><br>

Návaznosti

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

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings of the 6th International Conference on Information Systems Security and Privacy

ISBN

978-989-758-399-5

ISSN

2184-4356

e-ISSN

—

Počet stran výsledku

8

Strana od-do

725-732

Název nakladatele

SciTePress

Místo vydání

Madeira

Místo konání akce

Valletta

Datum konání akce

25. 2. 2020

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000570766300079