Table | Card | RUSMARC | |
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 | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 85
Last 30 days: 0 Detailed usage statistics |