Данная работа посвящена разработке подхода к обнаружению и классификации вредоносного программного обеспечения с помощью методов машинного обучения. Задачи, которые решались в ходе исследования:Описание предлагаемого подхода к решению задачи классификации вредоносного ПО.Разработка и обучение модели, построенной на основе простого непараметрического алгоритма машинного обучения для решения задач классификации вредоносного ПО.Разработка и обучение искусственной нейронной сети для решения задач классификации вредоносного ПО.Оценка качества построенных классификационных моделей.В результате выполнения данной работы была предложена схема обнаружения и классификации вредоносных программ, которая использует преобразование последовательности байт исполняемых файлов вредоносных программ в изображения. Итоговые результаты показывают, что F-мера классификации вредоносных программ на основе предложенной схемы составляют 97% в случае использования сверточной нейронной сети в качестве классификатора.

This thesis focuses on the investigation and implementation of a neural network malware classifier that can classify an unseen file as malicious or benign. The following list represents the formulated objectives of this thesis:Provide an explanation of the proposed methodology approach chosen for the malware classification.Use a kNN-classifier to categorize samples in malware families.Design and train a CNN architecture to perform a multiclass classification of malware.A final summary of the key differences between the two approaches is listed, with a comparison of each approach.This thesis proposes a scheme to detect and classify malware using only image representations of the malware binaries. This approach involves converting malware binaries to grayscale images and subsequently training a CNN for classification. As a result, the best CNN model achieved an F1-Score of 97% of family homology classification based on the proposed scheme.

• Введение
• Классификация вредоносных программ
  • Постановка задачи
  • Набор данных
  • Предлагаемый подход
  • Оценка качества работы классификатора
  • Подбор гиперпараметров модели
  • Выводы по главе 1
• Обзор методов машинного обучения
  • Метод k-ближайших соседей
  • Сверточные нейронные сети
    • Сверточный слой
    • Слой субдискретизации
    • Выходной слой
  • Сравнение методов классификации
  • Выводы по главе 2
• Результаты экспериментальной проверки подходов классификации вредоносных программ
  • Описание данных
  • Сверточная нейронная сеть
  • Метод k-ближайших соседей с предобработкой изображений
  • Сравнительный анализ эффективности методов классификации
  • Выводы по главе 3
• Заключение
• Список использованных источников
• Код модели сверточной нейронной сети
• Код алгоритма kNN с предобработкой изображений