Обнаружение и идентификация вредоносных исполняемых программных модулей с помощью методов Data Mining
Ключевые слова:
разрушающие программные воздействия, анализ исполняемых файлов, интеллектуальный анализ данныхАннотация
Исследование затрагивает проблему улучшения основных характеристик систем обнаружения и идентификации вредоносных исполняемых файлов на основе методов Data Mining. Определяется общая структура процессов построения и эксплуатации систем данного класса. На ее основе уточняется перечень нефункциональных требований к подобным системам. Задача работы определяется в виде поиска эффективных моделей представления исполняемых объектов, позволяющих получать компактные и информативные вектора описаний анализируемых объектов. Излагается суть предлагаемых подходов к обнаружению и выявлению вредоносных программ на основе статической позиционно-зависимой информации и низкоуровневых динамических признаков. Представляется архитектура разработанной системы выявления вредоносных программ и результаты практической проверки разработанных моделей представления.Литература
Комашинский Д.В., Котенко И.В. Концептуальные основы использования методов Data Mining для обнаружения вредоносного программного обеспечения // Защита информации. Инсайд, 2010. № 2, С.74-82
Комашинский Д.В. Особенности задачи применения Data Mining для обнаружения разрушающих программных воздействий. // Сборник «Инновации в науке»: материалы XVI международной заочной научно-практической конференции. №1, Новосибирск: Изд. «СибАК», 2013. С.74-78
Dai J., Guha R., Lee J. Efficient Virus Detection Using Dynamic Instruction Sequences. // Journal of Computers, Vol. 4, No. 5, P. 405-414, 2009
Kephart J.O., Sorkin G.B., Arnold W.C., Chess D.M., Tesauro G.J., White S.R. Biologically inspired defenses against computer viruses // Proceedings of 14th International Joint Conference on Artificial Intelligence, 1995, P. 985–996
Komashinskiy D.V, Kotenko I.V. Using Low-Level Dynamic Attributes for Malware Detection Based on Data Mining Methods. // Proceedings of the 6th International Conference on Mathematical Methods, Models and Architectures for Computer Network Security, Saint-Petersburg, 2012, P. 254-269
Komashinskiy D.V., Kotenko I.V. Malware Detection by Data Mining Techniques Based on Positionally Dependent Features. // Proceedings of the 18th Euromicro International Conference on Parallel, Distributed and network-based Processing. Los Alamitos, California. IEEE Computer Society. 2010. P.617-623
Lanzi A., Balzarotti D., Kruegel C., Christodorescu M., Kirda E. AccessMiner: Using System-Centric Models for Malware Protection // Proceedings of 17th ACM conference on Computer and Communication Security, 2010. P. 399-412
Masud M.M.,Khan L., Thuraisingham B. Data Mining Tools for Malware Detection. CRC Press Taylor & Francis Group, 2012
Muttik I. Malware Mining // Proceedings of 21st Virus Bulletin Conference, 2011, P. 46- 51Data Mining Methods for Detection of New Malicious Executables // Proceedings of the IEEE Symposium on Security and Privacy, 2001 P. 38-49
Schultz M., Eskin E., Zadok E., Stolfo S.
Комашинский Д.В. Особенности задачи применения Data Mining для обнаружения разрушающих программных воздействий. // Сборник «Инновации в науке»: материалы XVI международной заочной научно-практической конференции. №1, Новосибирск: Изд. «СибАК», 2013. С.74-78
Dai J., Guha R., Lee J. Efficient Virus Detection Using Dynamic Instruction Sequences. // Journal of Computers, Vol. 4, No. 5, P. 405-414, 2009
Kephart J.O., Sorkin G.B., Arnold W.C., Chess D.M., Tesauro G.J., White S.R. Biologically inspired defenses against computer viruses // Proceedings of 14th International Joint Conference on Artificial Intelligence, 1995, P. 985–996
Komashinskiy D.V, Kotenko I.V. Using Low-Level Dynamic Attributes for Malware Detection Based on Data Mining Methods. // Proceedings of the 6th International Conference on Mathematical Methods, Models and Architectures for Computer Network Security, Saint-Petersburg, 2012, P. 254-269
Komashinskiy D.V., Kotenko I.V. Malware Detection by Data Mining Techniques Based on Positionally Dependent Features. // Proceedings of the 18th Euromicro International Conference on Parallel, Distributed and network-based Processing. Los Alamitos, California. IEEE Computer Society. 2010. P.617-623
Lanzi A., Balzarotti D., Kruegel C., Christodorescu M., Kirda E. AccessMiner: Using System-Centric Models for Malware Protection // Proceedings of 17th ACM conference on Computer and Communication Security, 2010. P. 399-412
Masud M.M.,Khan L., Thuraisingham B. Data Mining Tools for Malware Detection. CRC Press Taylor & Francis Group, 2012
Muttik I. Malware Mining // Proceedings of 21st Virus Bulletin Conference, 2011, P. 46- 51Data Mining Methods for Detection of New Malicious Executables // Proceedings of the IEEE Symposium on Security and Privacy, 2001 P. 38-49
Schultz M., Eskin E., Zadok E., Stolfo S.
Detecting and identifying malicious executable binaries with Data Mining methods
Abstract
The paper touches on the problem of improving vital characteristics of Data Mining - based systems responsible for detecting and identifying malicious executable binaries (malware). The common structure of learning and operating procedures for such systems is defined. The main non-functional requirements to the systems are specified on this structure's basis. The research's task is formulated as a look for a new, efficient representatin models for executable binaries. The models are to give compact, informative description vectors for such file objects. The essence of suggested approaches is expounded: the first one is focused on malware detection and based on positionally-dependent static data; the second uses dynamic low-level execution data for malware identification. The architecture of the developed system is represented as well as validation results for the developed representation models.Опубликован
2013-06-01
Как цитировать
Комашинский, Д. В. (2013). Обнаружение и идентификация вредоносных исполняемых программных модулей с помощью методов Data Mining. Труды СПИИРАН, 3(26), 115-125. https://doi.org/10.15622/sp.26.9
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
