Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Zlepšení klasifikace malwarových rodin pomocí naučené vzdálenosti pro nízké dimenze

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F22%3A00357682" target="_blank" >RIV/68407700:21240/22:00357682 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://pad2021.fm.tul.cz/sbornik_files/PAD2021esbor.pdf" target="_blank" >https://pad2021.fm.tul.cz/sbornik_files/PAD2021esbor.pdf</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Zlepšení klasifikace malwarových rodin pomocí naučené vzdálenosti pro nízké dimenze

  • Popis výsledku v původním jazyce

    V tomto článku se zabýváme vybranými state-of-the-art technikami pro učení vzdálenosti, které byly použity pro problém klasifikace malwarových rodin, přičemž se zaměřujeme na nízkodimenzionální reprezentace prostoru vstupních příznaků. Cílem algoritmů pro učení vzdálenosti je najít nejvhodnější parametry vzdálenosti s ohledem na dané optimalizační kritérium. Algoritmy pro učení vzdálenosti se v našem výzkumu učí z metadat obsažených v hlavičkách spustitelných souborů v souborovém formátu Portable Executable. Na naší datové sadě bylo provedeno několik experimentů se 14 000 vzorky sestávajícími ze šesti prevalentních malwarových rodin a benigních souborů. Experimentální výsledky ukázaly, že dobré klasifikační výsledky je možné dosáhnout už i pro dvojrozměrné vektory příznaků.

  • Název v anglickém jazyce

    Improving Classification of Malware Families using a Learned Distance Metric for Low Dimensions

  • Popis výsledku anglicky

    n this paper, we discuss selected state-of-the-art distance metric learning techniques that have been used for the malware family classification problem, focusing on low-dimensional representations of the input feature space. The goal of distance metric learning algorithms is to find the most suitable distance parameters with respect to a given optimization criterion. In our research, distance metric learning algorithms learn from the metadata contained in the executable file headers in the Portable Executable file format. Several experiments were performed on our dataset with 14,000 samples consisting of six prevalent malware families and benign files. Experimental results have shown that good classification results can be achieved even for two-dimensional symptom vectors.

Klasifikace

  • 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)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Sborník příspěvků PAD 2021 Počítačové architektury & diagnostika

  • ISBN

    978-80-7494-592-2

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    4

  • Strana od-do

    23-26

  • Název nakladatele

    Technická univerzita v Liberci

  • Místo vydání

    Liberec

  • Místo konání akce

    online

  • Datum konání akce

    12. 1. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku