Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση
Το κακόβουλο λογισµικό αποτελεί µια ολοένα και περισσότερο σηµαντική απειλή για την ασφάλεια των υπολογιστικών συστηµάτων. Μια σύγχρονη προσέγγιση για την ανίχνευση και την κατηγοριοποίηση του, αποτελεί η χρήση µοντέλων µηχανικής µάθησης. Στην παρούσα διπλωµατική εργασία, υλοποιήθηκε ένα µοντέλο αυτ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14027 |
| id |
nemertes-10889-14027 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-140272022-09-05T13:56:09Z Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση Malware classification schemes with machine learning Ξένος, Γεώργιος Xenos, Georgios Κακόβουλο λογισμικό Μηχανική μάθηση Δέντρα αποφάσεων Ασφάλεια υπολογιστών Malware Machine learning Decision trees Computer security Το κακόβουλο λογισµικό αποτελεί µια ολοένα και περισσότερο σηµαντική απειλή για την ασφάλεια των υπολογιστικών συστηµάτων. Μια σύγχρονη προσέγγιση για την ανίχνευση και την κατηγοριοποίηση του, αποτελεί η χρήση µοντέλων µηχανικής µάθησης. Στην παρούσα διπλωµατική εργασία, υλοποιήθηκε ένα µοντέλο αυτόµατης ανίχνευσης ϐασισµένο σε δεδοµένα από στατική ανάλυση κακόβουλου λογισµικού. Στην συνέχεια, δοκιµάστηκαν διάφορες τεχνικές για την κατασκευή τέτοιων µοντέλων, για την αποτίµηση των δυνατοτήτων τους και την εξαγωγή χρήσιµων συµπερασµάτων για την ανίχνευση κακόβουλου λογισµικού. Malicious software poses an increasingly important threat to the security of computer systems. A modern approach for its detection and classification is the use of machine learning models. In this thesis, an automated detection model was implemented. This model uses data derived from the static analysis of malicious software. In addition, various techniques for the construction of such models were explored, in order to evaluate their capabilities and to make useful conclusions about malware detection. 2020-10-21T10:38:49Z 2020-10-21T10:38:49Z 2020-10-14 http://hdl.handle.net/10889/14027 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Κακόβουλο λογισμικό Μηχανική μάθηση Δέντρα αποφάσεων Ασφάλεια υπολογιστών Malware Machine learning Decision trees Computer security |
| spellingShingle |
Κακόβουλο λογισμικό Μηχανική μάθηση Δέντρα αποφάσεων Ασφάλεια υπολογιστών Malware Machine learning Decision trees Computer security Ξένος, Γεώργιος Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| description |
Το κακόβουλο λογισµικό αποτελεί µια ολοένα και περισσότερο σηµαντική απειλή για την ασφάλεια των υπολογιστικών συστηµάτων. Μια σύγχρονη προσέγγιση για την ανίχνευση και την κατηγοριοποίηση του, αποτελεί η χρήση µοντέλων µηχανικής µάθησης. Στην παρούσα διπλωµατική εργασία, υλοποιήθηκε ένα µοντέλο αυτόµατης ανίχνευσης ϐασισµένο σε δεδοµένα από στατική ανάλυση κακόβουλου λογισµικού. Στην συνέχεια, δοκιµάστηκαν διάφορες τεχνικές για την κατασκευή τέτοιων µοντέλων, για την αποτίµηση των δυνατοτήτων τους και την εξαγωγή χρήσιµων συµπερασµάτων για την ανίχνευση κακόβουλου λογισµικού. |
| author2 |
Xenos, Georgios |
| author_facet |
Xenos, Georgios Ξένος, Γεώργιος |
| author |
Ξένος, Γεώργιος |
| author_sort |
Ξένος, Γεώργιος |
| title |
Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| title_short |
Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| title_full |
Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| title_fullStr |
Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| title_full_unstemmed |
Μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| title_sort |
μέθοδοι ταξινόµησης κακόβουλου λογισµικού µε µηχανική µάθηση |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/14027 |
| work_keys_str_mv |
AT xenosgeōrgios methodoitaxinomēsēskakobouloulogismikoumemēchanikēmathēsē AT xenosgeōrgios malwareclassificationschemeswithmachinelearning |
| _version_ |
1771297255364493312 |
