С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Details

Title: Повышение устойчивости классификаторов вредоносных исполняемых файлов к состязательным атакам: выпускная квалификационная работа специалиста: 10.05.03 - Информационная безопасность автоматизированных систем ; 10.05.03_08 - Анализ безопасности информационных систем
Creators: Маршев Иван Иванович
Scientific adviser: Москвин Дмитрий Андреевич
Other creators: Резединова Евгения Юрьевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт прикладной математики и механики
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: обнаружение вредоносного программного обучения; машинное обучение; случайный лес; дерево решений; нейронные сети; состязательные атаки; malware; malware detection; classification; machine learning; neural network; random forest; decision tree; adversarial attack
Document type: Specialist graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 10.05.03
Speciality group (FGOS): 100000 - Информационная безопасность
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-5288
Rights: Свободный доступ из сети Интернет (чтение)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

В работе проанализированы основные характеристики исполняемых файлов, разработаны классификаторы на основе алгоритмов машинного обучения, которые выявляют вредоносносные исполняемые файлы. Построенные классификаторы показали точность обнаружения выше по сравнению с предыдущими работами. Проведён анализ устойчивости методов обнаружения вредоносного программного обеспечения на основе алгоритмов машинного обучения. Разработана состязательная атака на данные методы. Предложен подход к повышению устойчивости методов обнаружения вредоносного программного обеспечения.

This paper presents machine learning-based classifiers which are developed due to the analysis of main characteristics of executable files. This classifiers perform detection of the malicious executable files with slightly higher accuracy in comparison with previous works. The results of the current work are compared with the results which are achieved by other researchers. Robustness of vulnerability detection methods based on machine learning algorithms has been analyzed. Adversarial attack for given methods has been developed. The approach of robustness improvement of vulnerability detection methods has been proposed.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
Internet Authorized users Read
-> Internet Anonymous

Document usage statistics

stat Document access count: 28
Last 30 days: 0
Detailed usage statistics