Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού

Το κακόβουλο λογισµικό αποτελεί όλο 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, υλοποιήθηκαν τέσσερα (4) διαφορετι...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Μάρκου, Στέφανος
Άλλοι συγγραφείς: Markou, Stefanos
Γλώσσα:Greek
Έκδοση: 2023
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/25357
id nemertes-10889-25357
record_format dspace
spelling nemertes-10889-253572023-07-06T03:52:43Z Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού Evaluation of machine learning methods for malware classification Μάρκου, Στέφανος Markou, Stefanos Μηχανική μάθηση Κακόβουλο λογισμικό Ember σετ δεδομένων Machine learning Ember dataset Malware software Το κακόβουλο λογισµικό αποτελεί όλο 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, υλοποιήθηκαν τέσσερα (4) διαφορετικά µοντέλα αυτόµατης ανίχνευσης ϐασισµένα σε δεδοµένα από στατική ανάλυση κακόβουλου λογισµικού. Στην συνέχεια, δοκιµάστηκαν διάφορες τεχνικές επιλογής υπερπαραμέτρων για την κατασκευή τέτοιων µοντέλων, για την αποτίµηση των δυνατοτήτων τους και την εξαγωγή χρήσιµων συµπερασµάτων για την ανίχνευση κακόβουλου λογισµικού. The malicious software is an increasingly important threat to the security of computer systems. A modern approach to its detection and categorization is the use of machine learning models. In this thesis, four (4) different automatic detection models were implemented based on data from static malware analysis. They then tested various hyper parameterization techniques for building such models, disentangling their capabilities, and deriving inferred uses for malware detection. 2023-07-05T09:12:08Z 2023-07-05T09:12:08Z 2023-07-04 https://hdl.handle.net/10889/25357 el CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ application/pdf
institution UPatras
collection Nemertes
language Greek
topic Μηχανική μάθηση
Κακόβουλο λογισμικό
Ember σετ δεδομένων
Machine learning
Ember dataset
Malware software
spellingShingle Μηχανική μάθηση
Κακόβουλο λογισμικό
Ember σετ δεδομένων
Machine learning
Ember dataset
Malware software
Μάρκου, Στέφανος
Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
description Το κακόβουλο λογισµικό αποτελεί όλο 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, υλοποιήθηκαν τέσσερα (4) διαφορετικά µοντέλα αυτόµατης ανίχνευσης ϐασισµένα σε δεδοµένα από στατική ανάλυση κακόβουλου λογισµικού. Στην συνέχεια, δοκιµάστηκαν διάφορες τεχνικές επιλογής υπερπαραμέτρων για την κατασκευή τέτοιων µοντέλων, για την αποτίµηση των δυνατοτήτων τους και την εξαγωγή χρήσιµων συµπερασµάτων για την ανίχνευση κακόβουλου λογισµικού.
author2 Markou, Stefanos
author_facet Markou, Stefanos
Μάρκου, Στέφανος
author Μάρκου, Στέφανος
author_sort Μάρκου, Στέφανος
title Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
title_short Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
title_full Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
title_fullStr Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
title_full_unstemmed Αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
title_sort αποτίμηση μεθόδων μηχανικής μάθησης για ταξινόμηση κακόβουλου λογισμικού
publishDate 2023
url https://hdl.handle.net/10889/25357
work_keys_str_mv AT markoustephanos apotimēsēmethodōnmēchanikēsmathēsēsgiataxinomēsēkakobouloulogismikou
AT markoustephanos evaluationofmachinelearningmethodsformalwareclassification
_version_ 1771297128278130688