📄Работа №127445
Тема: Обнаружение программ-шифровальщиков на основе статического и динамического анализа с использованием методов машинного обучения
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Информатика и вычислительная техника
Объем:
21 листов
Год:
2022
Просмотров:
51
4220
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 2
Актуальность 2
Цель работы 2
Задачи работы 2
Практическая значимость 3
Обзор существующих решений 4
Методы на основе динамического анализа 4
Методы на основе статического анализа 4
Методы на основе гибридного анализа 5
Глава 1. Составление списка критериев 7
1.1. Ограничения статического анализа 7
1.2. Аномальное поведение программы 7
1.3. Основные критерии 8
Глава 2. Сбор данных для обучения 11
2.1. Использованные инструменты 11
2.2. Использованные семейства вымогателей 11
Глава 3. Обучение модели 13
3.1. Визуализация данных 13
3.2. Использованные метрики 15
3.3. Обучение модели на основе случайного леса 15
3.4. Обучение модели на основе метода опорных векторов 16
3.5. Результаты 17
Заключение 18
Список литературы 19
Приложение 21
Актуальность 2
Цель работы 2
Задачи работы 2
Практическая значимость 3
Обзор существующих решений 4
Методы на основе динамического анализа 4
Методы на основе статического анализа 4
Методы на основе гибридного анализа 5
Глава 1. Составление списка критериев 7
1.1. Ограничения статического анализа 7
1.2. Аномальное поведение программы 7
1.3. Основные критерии 8
Глава 2. Сбор данных для обучения 11
2.1. Использованные инструменты 11
2.2. Использованные семейства вымогателей 11
Глава 3. Обучение модели 13
3.1. Визуализация данных 13
3.2. Использованные метрики 15
3.3. Обучение модели на основе случайного леса 15
3.4. Обучение модели на основе метода опорных векторов 16
3.5. Результаты 17
Заключение 18
Список литературы 19
Приложение 21
📖 Введение
Последние несколько лет все большее внимание злоумышленников привлекает относительно новый класс вредоносного программного обеспечения - вымогатели-шифровальщики. Будучи запущенной на компьютере жертвы, программа шифрует файлы пользователя, а за восстановление доступа к ним вымогатели требуют выкуп.
Все чаще целью атак злоумышленников становятся крупные организации. Сами вымогатели при этом стали использовать тактику двойного выкупа, требуя деньги как за расшифровку файлов, так и за удаление украденных злоумышленниками данных с целью не допустить публикацию конфиденциальных сведений.
К решению проблемы подключились многие компании, работающие в сфере обеспечения информационной безопасности. Во многих современных антивирусных решениях можно обнаружить защиту от вымогательского ПО. Однако не стоят на месте и злоумышленники, использующие различные техники для маскировки вредоносной активности. Таким образом, актуальной стала задача обнаружения данного класса вредоносного ПО.
Цель работы
Разработать алгоритм распознавания программ-шифровальщиков. При этом могут использоваться как методы статического, так и методы динамического анализа.
Задачи работы
1. Определение набора признаков для обучения модели.
2. Создание обучающей и тестовой выборок модели на основе уже известных образцов программ-шифровальщиков.
3. Реализация и обучение модели, её тестирование.
Все чаще целью атак злоумышленников становятся крупные организации. Сами вымогатели при этом стали использовать тактику двойного выкупа, требуя деньги как за расшифровку файлов, так и за удаление украденных злоумышленниками данных с целью не допустить публикацию конфиденциальных сведений.
К решению проблемы подключились многие компании, работающие в сфере обеспечения информационной безопасности. Во многих современных антивирусных решениях можно обнаружить защиту от вымогательского ПО. Однако не стоят на месте и злоумышленники, использующие различные техники для маскировки вредоносной активности. Таким образом, актуальной стала задача обнаружения данного класса вредоносного ПО.
Цель работы
Разработать алгоритм распознавания программ-шифровальщиков. При этом могут использоваться как методы статического, так и методы динамического анализа.
Задачи работы
1. Определение набора признаков для обучения модели.
2. Создание обучающей и тестовой выборок модели на основе уже известных образцов программ-шифровальщиков.
3. Реализация и обучение модели, её тестирование.
✅ Заключение
В ходе работы были реализованы две модели для распознавания программ-шифровальщиков. Полученная точность классификации обеих моделей составляет 97%. При этом полнота моделей (recall) оказалась равной 100%, то есть системой верно распознаются все образцы программ- вымогателей тестовой выборки.
Отличием данной работы от многих других является использование малого числа признаков, необходимых для классификации, в сочетании с высокой точностью распознавания.
Дальнейшим направлением для развития результатов работы может являться интеграция модели с какими-либо песочницами (например, с песочницей Cuckoo Sandbox). Таким образом, результаты работы могут быть использованы для защиты как личных компьютеров, так и корпоративных систем.
Отличием данной работы от многих других является использование малого числа признаков, необходимых для классификации, в сочетании с высокой точностью распознавания.
Дальнейшим направлением для развития результатов работы может являться интеграция модели с какими-либо песочницами (например, с песочницей Cuckoo Sandbox). Таким образом, результаты работы могут быть использованы для защиты как личных компьютеров, так и корпоративных систем.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.