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&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&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
—