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”

Mobile Botnet Detection via Artificial Neural Networks

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F17%3A63517333" target="_blank" >RIV/70883521:28140/17:63517333 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Mobile Botnet Detection via Artificial Neural Networks

  • Popis výsledku v původním jazyce

    This paper deals with an area of cyber security and detection of the most dangerous category of mobile malware - botnets - via artificial neural networks. These specific pieces of mobile malware have a strange kind of behaviour. According to this pattern, botnets are not controlled by any expectable algorithm. On the contrary, humans managed their functioning via command and control servers (C&amp;C servers) or via peer-to-peer networks. Authors and their co-workers made an analysis of available current mobile botnets and they reveal some of their common features which were used later during training via artificial neural networks. The simulations were carried out with Levenberg-Marquardt training algorithm in the classical feed forward network. The results showed 100% successful training and almost 100% testing accuracy.

  • Název v anglickém jazyce

    Mobile Botnet Detection via Artificial Neural Networks

  • Popis výsledku anglicky

    This paper deals with an area of cyber security and detection of the most dangerous category of mobile malware - botnets - via artificial neural networks. These specific pieces of mobile malware have a strange kind of behaviour. According to this pattern, botnets are not controlled by any expectable algorithm. On the contrary, humans managed their functioning via command and control servers (C&amp;C servers) or via peer-to-peer networks. Authors and their co-workers made an analysis of available current mobile botnets and they reveal some of their common features which were used later during training via artificial neural networks. The simulations were carried out with Levenberg-Marquardt training algorithm in the classical feed forward network. The results showed 100% successful training and almost 100% testing accuracy.

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

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2017

  • 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

    2017 International Conference on Logistics, Informatics and Service Sciences (LISS)

  • ISBN

    978-1-5386-1047-3

  • ISSN

  • e-ISSN

    neuvedeno

  • Počet stran výsledku

    5

  • Strana od-do

    157-161

  • Název nakladatele

    IEEE

  • Místo vydání

    New Jersey, Piscataway

  • Místo konání akce

    Kyoto

  • Datum konání akce

    24. 7. 2017

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku