Registro fonte: Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos

Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos

The increase in the amount of malware and their families amplified the problems of automatic detection and classification of their new variants. As computer security threats evolve, so does the need for effective defense mechanisms to protect the devices. However, it becomes progressively more diffi...

ver descrição completa

Autor principal:	Sato, Leonardo Correia
Formato:	Trabalho de Conclusão de Curso (Graduação)
Idioma:	Português
Publicado em:	Universidade Tecnológica Federal do Paraná 2020
Assuntos:	Redes neurais (Computação) Software - Proteção Aprendizado do computador Neural networks (Computer science) Software protection Machine learning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
Acesso em linha:	http://repositorio.utfpr.edu.br/jspui/handle/1/14613
Tags:	Adicionar Tag Sem tags, seja o primeiro a adicionar uma tag!

id	riut-1-14613
recordtype	dspace
spelling	riut-1-146132020-11-18T14:01:51Z Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos Deep Learning in computer security: intelligent detection of malicious code Sato, Leonardo Correia Casanova, Dalcimar Ribas, Bruno César Casanova, Dalcimar Ribas, Bruno César Favarim, Fábio Linares, Kathya Silvia Collazos Redes neurais (Computação) Software - Proteção Aprendizado do computador Neural networks (Computer science) Software protection Machine learning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO The increase in the amount of malware and their families amplified the problems of automatic detection and classification of their new variants. As computer security threats evolve, so does the need for effective defense mechanisms to protect the devices. However, it becomes progressively more difficult to protect terminals from being infected. Thus, tools which identify resident malicious codes are required for handling post-infection systems. In this work of course completion, the application of a Deep Neural Network (DNN) architecture to detect malwares based on its operational system processes is investigated. The Deep Learning framework proposed implements a AutoEncoder and utilizes API call sequences to extract features, forming vectors that function as signatures of malicious codes. Samples of malicious and benign codes were obtained to train and test the classifiers. The effectiveness of AutoEncoder built to facilitate the correct classification of the malicious codes was made evident by the results obtained from the classifiers. O aumento na quantidade de malwares e suas famílias amplificou os problemas de detecção automática e classificação de suas novas variantes. Na medida que as ameaças computacionais evoluem, também cresce a necessidade de mecanismos de defesa efetivos para proteger os dispositivos. Porém, torna-se progressivamente mais difícil blindar terminais de serem infectados. São necessárias ferramentas que identifiquem os códigos maliciosos residentes nos sistemas para lidar com os casos nos quais esquemas de prevenção contra malwares não funcionarem. Neste trabalho de conclusão de curso, é investigado em etapas a aplicação de uma arquitetura de Redes Neurais Profundas (do inglês Deep Neural Network, DNN) para detecção de malwares com base em suas chamadas de funções do sistema operacional. A estrutura do modelo Deep Learning utiliza um AutoEncoder e as sequências de chamadas dos malwares para extração de características, formando vetores que funcionam como as assinaturas dos códigos maliciosos. Amostras de códigos maliciosos e benignos foram utilizadas para treinar e testar os classificadores. A efetividade do AutoEncoder construído em facilitar a correta classificação dos códigos maliciosos ficou evidente pelos resultados obtidos com os classificadores. 2020-11-18T14:01:51Z 2020-11-18T14:01:51Z 2018-12-12 bachelorThesis SATO, Leonardo Correia. Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos. 2018. 69 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2018. http://repositorio.utfpr.edu.br/jspui/handle/1/14613 por openAccess application/pdf Universidade Tecnológica Federal do Paraná Pato Branco Brasil Departamento Acadêmico de Informática Engenharia de Computação UTFPR
institution	Universidade Tecnológica Federal do Paraná
collection	RIUT
language	Português
topic	Redes neurais (Computação) Software - Proteção Aprendizado do computador Neural networks (Computer science) Software protection Machine learning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
spellingShingle	Redes neurais (Computação) Software - Proteção Aprendizado do computador Neural networks (Computer science) Software protection Machine learning CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO Sato, Leonardo Correia Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
description	The increase in the amount of malware and their families amplified the problems of automatic detection and classification of their new variants. As computer security threats evolve, so does the need for effective defense mechanisms to protect the devices. However, it becomes progressively more difficult to protect terminals from being infected. Thus, tools which identify resident malicious codes are required for handling post-infection systems. In this work of course completion, the application of a Deep Neural Network (DNN) architecture to detect malwares based on its operational system processes is investigated. The Deep Learning framework proposed implements a AutoEncoder and utilizes API call sequences to extract features, forming vectors that function as signatures of malicious codes. Samples of malicious and benign codes were obtained to train and test the classifiers. The effectiveness of AutoEncoder built to facilitate the correct classification of the malicious codes was made evident by the results obtained from the classifiers.
format	Trabalho de Conclusão de Curso (Graduação)
author	Sato, Leonardo Correia
author_sort	Sato, Leonardo Correia
title	Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
title_short	Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
title_full	Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
title_fullStr	Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
title_full_unstemmed	Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos
title_sort	deep learning na segurança computacional: detecção inteligente de códigos maliciosos
publisher	Universidade Tecnológica Federal do Paraná
publishDate	2020
citation	SATO, Leonardo Correia. Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos. 2018. 69 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2018.
url	http://repositorio.utfpr.edu.br/jspui/handle/1/14613
_version_	1805302000950181888
score	10,814766

Deep Learning na segurança computacional: detecção inteligente de códigos maliciosos

Registros relacionados