Ninyesiga allan (31 risultati)

Condizione: New.

Paperback. Condizione: Brand New. 96 pages. 8.66x5.91x0.22 inches. In Stock.

Taschenbuch. Condizione: Neu. Behavioral Malware Detection by Data Mining | Allan Ninyesiga (u. a.) | Taschenbuch | 96 S. | Englisch | 2018 | LAP LAMBERT Academic Publishing | EAN 9786139923069 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu. …

Condizione: New.

Taschenbuch. Condizione: Neu. Détection comportementale des logiciels malveillants par l'exploration de données | Allan Ninyesiga | Taschenbuch | Französisch | 2023 | Editions Notre Savoir | EAN 9786205719442 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu.…

Condizione: New.

Taschenbuch. Condizione: Neu. Detecção de Malware Comportamental por Data Mining | Allan Ninyesiga | Taschenbuch | Portugiesisch | 2023 | Edições Nosso Conhecimento | EAN 9786205719466 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu. …

Taschenbuch. Condizione: Neu. Rilevamento di malware comportamentale tramite data mining | Allan Ninyesiga | Taschenbuch | Italienisch | 2023 | Edizioni Sapienza | EAN 9786205719428 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu. …

Taschenbuch. Condizione: Neu. Erkennung verhaltensorientierter Malware durch Data Mining | Allan Ninyesiga | Taschenbuch | 80 S. | Deutsch | 2023 | Verlag Unser Wissen | EAN 9786205719381 | Verantwortliche Person für die EU: BoD - Books on Demand, In de Tarpen 42, 22848 Norderstedt, info[at]bod[dot]de | Anbieter: preigu. …

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Malware cases are increasing both in numbers and fatality. Hackers design malware to compromise systems security mostly confidentiality, integrity, and availability. Malware elimination techniques exist but the malware must be detected first. Malware detection techniques still have weaknesses of high false positive/negatives rates. The emergency of polymorphic malware has made the situation worse. Recent studies have shown data mining to be promising in identifying malware by analyzing API calls. However, in this approach, a file is detected as malicious or not. It is not classified on to which malware class it belongs. This makes its elimination harder as elimination schemes are mostly class based. Classification as a post detection process is important if the malware is to be eliminated from the system. We experiment on the use of data mining approach to classify malware using 4-gram API system calls. We use Windows Portable Executables (PE) with their corresponding API calls. Using the Cuckoo sandbox. Relevant 4-gram API call features are extracted using Term Frequency-Inverse Document Frequency(TF-IDF). Machine Learning algorithms are then applied to classify the malware. 96 pp. Englisch.…

Condizione: New. Print on Demand.

Condizione: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Ninyesiga AllanAllan Ninyesiga has obtained a Masters Degree in Computing with a Computer Security Specialization form Uganda Technology an Management University in 2017. Due to the broad increase in the use of ICT Systems, Allan h. …

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Los casos de malware aumentan tanto en número como en letalidad. Los piratas informáticos diseñan programas maliciosos para comprometer la seguridad de los sistemas, sobre todo la confidencialidad, la integridad y la disponibilidad. Existen técnicas de eliminación del malware, pero primero hay que detectarlo. Las técnicas de detección de programas maliciosos siguen presentando puntos débiles, con altos índices de falsos positivos/negativos. La emergencia de malware polimórfico ha empeorado la situación. Estudios recientes han demostrado que la minería de datos es prometedora para identificar el malware mediante el análisis de las llamadas a la API. Sin embargo, en este enfoque, un archivo se detecta como malicioso o no. No se clasifica en función de la clase de malware a la que pertenece. Esto dificulta su eliminación, ya que los esquemas de eliminación se basan principalmente en clases. La clasificación como proceso posterior a la detección es importante si se quiere eliminar el malware del sistema. Experimentamos con el uso de un enfoque de minería de datos para clasificar el malware utilizando llamadas al sistema de la API 4-gram. Utilizamos ejecutables portátiles (PE) de Windows con sus correspondientes llamadas API. Usamos el sandbox Cuckoo. Las características relevantes de las llamadas a la API de 4 gamas se extraen utilizando Term Frequency-Inverse Document Frequency (TF-IDF). A continuación, se aplican algoritmos de aprendizaje automático para clasificar el malware. 76 pp. Spanisch.…

Condizione: New. PRINT ON DEMAND.

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Malware cases are increasing both in numbers and fatality. Hackers design malware to compromise systems security mostly confidentiality, integrity, and availability. Malware elimination techniques exist but the malware must be detected first. Malware detection techniques still have weaknesses of high false positive/negatives rates. The emergency of polymorphic malware has made the situation worse. Recent studies have shown data mining to be promising in identifying malware by analyzing API calls. However, in this approach, a file is detected as malicious or not. It is not classified on to which malware class it belongs. This makes its elimination harder as elimination schemes are mostly class based. Classification as a post detection process is important if the malware is to be eliminated from the system. We experiment on the use of data mining approach to classify malware using 4-gram API system calls. We use Windows Portable Executables (PE) with their corresponding API calls. Using the Cuckoo sandbox. Relevant 4-gram API call features are extracted using Term Frequency-Inverse Document Frequency(TF-IDF). Machine Learning algorithms are then applied to classify the malware.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 96 pp. Englisch.…

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Los casos de malware aumentan tanto en número como en letalidad. Los piratas informáticos diseñan programas maliciosos para comprometer la seguridad de los sistemas, sobre todo la confidencialidad, la integridad y la disponibilidad. Existen técnicas de eliminación del malware, pero primero hay que detectarlo. Las técnicas de detección de programas maliciosos siguen presentando puntos débiles, con altos índices de falsos positivos/negativos. La emergencia de malware polimórfico ha empeorado la situación. Estudios recientes han demostrado que la minería de datos es prometedora para identificar el malware mediante el análisis de las llamadas a la API. Sin embargo, en este enfoque, un archivo se detecta como malicioso o no. No se clasifica en función de la clase de malware a la que pertenece. Esto dificulta su eliminación, ya que los esquemas de eliminación se basan principalmente en clases. La clasificación como proceso posterior a la detección es importante si se quiere eliminar el malware del sistema. Experimentamos con el uso de un enfoque de minería de datos para clasificar el malware utilizando llamadas al sistema de la API 4-gram. Utilizamos ejecutables portátiles (PE) de Windows con sus correspondientes llamadas API. Usamos el sandbox Cuckoo. Las características relevantes de las llamadas a la API de 4 gamas se extraen utilizando Term Frequency-Inverse Document Frequency (TF-IDF). A continuación, se aplican algoritmos de aprendizaje automático para clasificar el malware.…

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Les cas de logiciels malveillants augmentent tant en nombre qu'en mortalité. Les pirates conçoivent des logiciels malveillants pour compromettre la sécurité des systèmes, principalement la confidentialité, l'intégrité et la disponibilité. Il existe des techniques d'élimination des logiciels malveillants, mais ceux-ci doivent d'abord être détectés. Les techniques de détection des logiciels malveillants présentent encore des faiblesses, avec des taux élevés de faux positifs/négatifs. L'émergence de logiciels malveillants polymorphes a aggravé la situation. Des études récentes ont montré que l'exploration de données était prometteuse pour identifier les logiciels malveillants en analysant les appels API. Cependant, dans cette approche, un fichier est détecté comme étant malveillant ou non. Il n'est pas classé en fonction de la classe de logiciels malveillants à laquelle il appartient. Cela rend son élimination plus difficile car les schémas d'élimination sont principalement basés sur les classes. La classification en tant que processus de post-détection est importante si l'on veut éliminer le malware du système. Nous expérimentons l'utilisation d'une approche de data mining pour classifier les malwares en utilisant les appels système de l'API 4-gram. Nous utilisons des exécutables portables Windows (PE) avec leurs appels API correspondants. 80 pp. Französisch.…

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Los casos de malware aumentan tanto en número como en letalidad. Los piratas informáticos diseñan programas maliciosos para comprometer la seguridad de los sistemas, sobre todo la confidencialidad, la integridad y la disponibilidad. Existen técnicas de eliminación del malware, pero primero hay que detectarlo. Las técnicas de detección de programas maliciosos siguen presentando puntos débiles, con altos índices de falsos positivos/negativos. La emergencia de malware polimórfico ha empeorado la situación. Estudios recientes han demostrado que la minería de datos es prometedora para identificar el malware mediante el análisis de las llamadas a la API. Sin embargo, en este enfoque, un archivo se detecta como malicioso o no. No se clasifica en función de la clase de malware a la que pertenece. Esto dificulta su eliminación, ya que los esquemas de eliminación se basan principalmente en clases. La clasificación como proceso posterior a la detección es importante si se quiere eliminar el malware del sistema. Experimentamos con el uso de un enfoque de minería de datos para clasificar el malware utilizando llamadas al sistema de la API 4-gram. Utilizamos ejecutables portátiles (PE) de Windows con sus correspondientes llamadas API. Usamos el sandbox Cuckoo. Las características relevantes de las llamadas a la API de 4 gamas se extraen utilizando Term Frequency-Inverse Document Frequency (TF-IDF). A continuación, se aplican algoritmos de aprendizaje automático para clasificar el malware.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 76 pp. Spanisch.…

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Les cas de logiciels malveillants augmentent tant en nombre qu'en mortalité. Les pirates conçoivent des logiciels malveillants pour compromettre la sécurité des systèmes, principalement la confidentialité, l'intégrité et la disponibilité. Il existe des techniques d'élimination des logiciels malveillants, mais ceux-ci doivent d'abord être détectés. Les techniques de détection des logiciels malveillants présentent encore des faiblesses, avec des taux élevés de faux positifs/négatifs. L'émergence de logiciels malveillants polymorphes a aggravé la situation. Des études récentes ont montré que l'exploration de données était prometteuse pour identifier les logiciels malveillants en analysant les appels API. Cependant, dans cette approche, un fichier est détecté comme étant malveillant ou non. Il n'est pas classé en fonction de la classe de logiciels malveillants à laquelle il appartient. Cela rend son élimination plus difficile car les schémas d'élimination sont principalement basés sur les classes. La classification en tant que processus de post-détection est importante si l'on veut éliminer le malware du système. Nous expérimentons l'utilisation d'une approche de data mining pour classifier les malwares en utilisant les appels système de l'API 4-gram. Nous utilisons des exécutables portables Windows (PE) avec leurs appels API correspondants. …

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Les cas de logiciels malveillants augmentent tant en nombre qu'en mortalité. Les pirates conçoivent des logiciels malveillants pour compromettre la sécurité des systèmes, principalement la confidentialité, l'intégrité et la disponibilité. Il existe des techniques d'élimination des logiciels malveillants, mais ceux-ci doivent d'abord être détectés. Les techniques de détection des logiciels malveillants présentent encore des faiblesses, avec des taux élevés de faux positifs/négatifs. L'émergence de logiciels malveillants polymorphes a aggravé la situation. Des études récentes ont montré que l'exploration de données était prometteuse pour identifier les logiciels malveillants en analysant les appels API. Cependant, dans cette approche, un fichier est détecté comme étant malveillant ou non. Il n'est pas classé en fonction de la classe de logiciels malveillants à laquelle il appartient. Cela rend son élimination plus difficile car les schémas d'élimination sont principalement basés sur les classes. La classification en tant que processus de post-détection est importante si l'on veut éliminer le malware du système. Nous expérimentons l'utilisation d'une approche de data mining pour classifier les malwares en utilisant les appels système de l'API 4-gram. Nous utilisons des exécutables portables Windows (PE) avec leurs appels API correspondants.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 80 pp. Französisch. …

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Os casos de malware estão a aumentar, tanto em número como em número de mortes. Os hackers concebem malware para comprometer a segurança dos sistemas, principalmente a confidencialidade, integridade, e disponibilidade. Existem técnicas de eliminação de malware, mas o malware tem de ser detectado primeiro. As técnicas de detecção de malware ainda têm fraquezas de altas taxas de falsos positivos/negativos. A emergência de malware polimórfico agravou a situação. Estudos recentes mostraram que a prospecção de dados é promissora na identificação de malware através da análise de chamadas API. No entanto, nesta abordagem, um ficheiro é detectado como malicioso ou não. Não é classificado a que classe de malware pertence. Isto torna a sua eliminação mais difícil, uma vez que os esquemas de eliminação se baseiam, na sua maioria, em classes. A classificação como um processo pós-detecção é importante para que o malware seja eliminado do sistema. Fazemos experiências sobre a utilização da abordagem de mineração de dados para classificar o malware utilizando chamadas de sistema API de 4 gramas. Utilizamos executáveis portáteis (PE) do Windows com as suas chamadas API correspondentes. Utilizando o Cuckoo sandbox. As características relevantes das chamadas API de 4-gramas são extraídas utilizando a Frequência de Frequência de Documentos de Inversa de Termos (TF-IDF). Algoritmos de Machine Learning são então aplicados para classificar o malware. 76 pp. Portugiesisch.…

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Die Zahl der Malware-Fälle nimmt zu, ebenso wie die Zahl der Todesfälle. Hacker entwickeln Malware, um die Systemsicherheit zu gefährden, vor allem die Vertraulichkeit, Integrität und Verfügbarkeit. Es gibt Techniken zur Beseitigung von Malware, aber die Malware muss erst einmal entdeckt werden. Die Techniken zur Erkennung von Malware haben immer noch die Schwachstelle einer hohen Rate falsch positiver/negativer Ergebnisse. Das Auftreten von polymorpher Malware hat die Situation noch verschlimmert. Jüngste Studien haben gezeigt, dass Data Mining bei der Identifizierung von Malware durch die Analyse von API-Aufrufen vielversprechend ist. Bei diesem Ansatz wird eine Datei jedoch als bösartig oder nicht bösartig erkannt. Sie wird nicht danach klassifiziert, zu welcher Malware-Klasse sie gehört. Dies erschwert ihre Eliminierung, da Eliminierungsverfahren meist klassenbasiert sind. Die Klassifizierung als Nacherkennungsprozess ist wichtig, wenn die Malware aus dem System entfernt werden soll. Wir experimentieren mit dem Einsatz eines Data-Mining-Ansatzes zur Klassifizierung von Malware anhand von 4-Gramm-API-Systemaufrufen. Wir verwenden Windows Portable Executables (PE) mit ihren entsprechenden API-Aufrufen. Wir verwenden die Cuckoo-Sandbox. Relevante 4-Gramm-API-Aufrufe werden mithilfe von Term Frequency-Inverse Document Frequency (TF-IDF) extrahiert. Anschließend werden Algorithmen des maschinellen Lernens angewendet, um die Malware zu klassifizieren. 80 pp. Deutsch.…

Taschenbuch. Condizione: Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -I casi di malware sono in aumento sia in termini di numero che di mortalità. Gli hacker progettano il malware per compromettere la sicurezza dei sistemi, soprattutto la riservatezza, l'integrità e la disponibilità. Esistono tecniche di eliminazione del malware, ma il malware deve essere prima individuato. Le tecniche di rilevamento del malware presentano ancora punti deboli, con alti tassi di falsi positivi/negativi. L'emergenza del malware polimorfico ha peggiorato la situazione. Studi recenti hanno dimostrato che il data mining è promettente per identificare il malware analizzando le chiamate API. Tuttavia, in questo approccio, un file viene rilevato come dannoso o meno. Non viene classificato in base alla classe di malware a cui appartiene. Ciò rende più difficile la sua eliminazione, poiché gli schemi di eliminazione sono per lo più basati sulle classi. La classificazione come processo successivo al rilevamento è importante se si vuole eliminare il malware dal sistema. Sperimentiamo l'uso di un approccio di data mining per classificare il malware utilizzando le chiamate di sistema dell'API 4-gram. Utilizziamo i Portable Executables (PE) di Windows con le corrispondenti chiamate API. Utilizzando la sandbox Cuckoo. Le caratteristiche rilevanti delle chiamate API a 4 grammi vengono estratte utilizzando Term Frequency-Inverse Document Frequency (TF-IDF). Gli algoritmi di apprendimento automatico vengono quindi applicati per classificare il malware. 76 pp. Italienisch.…

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Os casos de malware estão a aumentar, tanto em número como em número de mortes. Os hackers concebem malware para comprometer a segurança dos sistemas, principalmente a confidencialidade, integridade, e disponibilidade. Existem técnicas de eliminação de malware, mas o malware tem de ser detectado primeiro. As técnicas de detecção de malware ainda têm fraquezas de altas taxas de falsos positivos/negativos. A emergência de malware polimórfico agravou a situação. Estudos recentes mostraram que a prospecção de dados é promissora na identificação de malware através da análise de chamadas API. No entanto, nesta abordagem, um ficheiro é detectado como malicioso ou não. Não é classificado a que classe de malware pertence. Isto torna a sua eliminação mais difícil, uma vez que os esquemas de eliminação se baseiam, na sua maioria, em classes. A classificação como um processo pós-detecção é importante para que o malware seja eliminado do sistema. Fazemos experiências sobre a utilização da abordagem de mineração de dados para classificar o malware utilizando chamadas de sistema API de 4 gramas. Utilizamos executáveis portáteis (PE) do Windows com as suas chamadas API correspondentes. Utilizando o Cuckoo sandbox. As características relevantes das chamadas API de 4-gramas são extraídas utilizando a Frequência de Frequência de Documentos de Inversa de Termos (TF-IDF). Algoritmos de Machine Learning são então aplicados para classificar o malware.…

Taschenbuch. Condizione: Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - I casi di malware sono in aumento sia in termini di numero che di mortalità. Gli hacker progettano il malware per compromettere la sicurezza dei sistemi, soprattutto la riservatezza, l'integrità e la disponibilità. Esistono tecniche di eliminazione del malware, ma il malware deve essere prima individuato. Le tecniche di rilevamento del malware presentano ancora punti deboli, con alti tassi di falsi positivi/negativi. L'emergenza del malware polimorfico ha peggiorato la situazione. Studi recenti hanno dimostrato che il data mining è promettente per identificare il malware analizzando le chiamate API. Tuttavia, in questo approccio, un file viene rilevato come dannoso o meno. Non viene classificato in base alla classe di malware a cui appartiene. Ciò rende più difficile la sua eliminazione, poiché gli schemi di eliminazione sono per lo più basati sulle classi. La classificazione come processo successivo al rilevamento è importante se si vuole eliminare il malware dal sistema. Sperimentiamo l'uso di un approccio di data mining per classificare il malware utilizzando le chiamate di sistema dell'API 4-gram. Utilizziamo i Portable Executables (PE) di Windows con le corrispondenti chiamate API. Utilizzando la sandbox Cuckoo. Le caratteristiche rilevanti delle chiamate API a 4 grammi vengono estratte utilizzando Term Frequency-Inverse Document Frequency (TF-IDF). Gli algoritmi di apprendimento automatico vengono quindi applicati per classificare il malware.…

Condizione: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Ninyesiga AllanAllan Ninyesiga ha conseguito un master in informatica con specializzazione in sicurezza informatica presso l Uganda Technology an Management University nel 2017. A causa dell ampio aumento dell uso dei sistemi ICT, Al.…

Condizione: New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Ninyesiga AllanAllan Ninyesiga hat 2017 einen Master-Abschluss in Informatik mit Spezialisierung auf Computersicherheit an der Uganda Technology and Management University erworben. Aufgrund der breiten Zunahme der Nutzung von IKT-Sys.…

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Os casos de malware estão a aumentar, tanto em número como em número de mortes. Os hackers concebem malware para comprometer a segurança dos sistemas, principalmente a confidencialidade, integridade, e disponibilidade. Existem técnicas de eliminação de malware, mas o malware tem de ser detectado primeiro. As técnicas de detecção de malware ainda têm fraquezas de altas taxas de falsos positivos/negativos. A emergência de malware polimórfico agravou a situação. Estudos recentes mostraram que a prospecção de dados é promissora na identificação de malware através da análise de chamadas API. No entanto, nesta abordagem, um ficheiro é detectado como malicioso ou não. Não é classificado a que classe de malware pertence. Isto torna a sua eliminação mais difícil, uma vez que os esquemas de eliminação se baseiam, na sua maioria, em classes. A classificação como um processo pós-detecção é importante para que o malware seja eliminado do sistema. Fazemos experiências sobre a utilização da abordagem de mineração de dados para classificar o malware utilizando chamadas de sistema API de 4 gramas. Utilizamos executáveis portáteis (PE) do Windows com as suas chamadas API correspondentes. Utilizando o Cuckoo sandbox. As características relevantes das chamadas API de 4-gramas são extraídas utilizando a Frequência de Frequência de Documentos de Inversa de Termos (TF-IDF). Algoritmos de Machine Learning são então aplicados para classificar o malware.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 76 pp. Portugiesisch.…

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -Die Zahl der Malware-Fälle nimmt zu, ebenso wie die Zahl der Todesfälle. Hacker entwickeln Malware, um die Systemsicherheit zu gefährden, vor allem die Vertraulichkeit, Integrität und Verfügbarkeit. Es gibt Techniken zur Beseitigung von Malware, aber die Malware muss erst einmal entdeckt werden. Die Techniken zur Erkennung von Malware haben immer noch die Schwachstelle einer hohen Rate falsch positiver/negativer Ergebnisse. Das Auftreten von polymorpher Malware hat die Situation noch verschlimmert. Jüngste Studien haben gezeigt, dass Data Mining bei der Identifizierung von Malware durch die Analyse von API-Aufrufen vielversprechend ist. Bei diesem Ansatz wird eine Datei jedoch als bösartig oder nicht bösartig erkannt. Sie wird nicht danach klassifiziert, zu welcher Malware-Klasse sie gehört. Dies erschwert ihre Eliminierung, da Eliminierungsverfahren meist klassenbasiert sind. Die Klassifizierung als Nacherkennungsprozess ist wichtig, wenn die Malware aus dem System entfernt werden soll. Wir experimentieren mit dem Einsatz eines Data-Mining-Ansatzes zur Klassifizierung von Malware anhand von 4-Gramm-API-Systemaufrufen. Wir verwenden Windows Portable Executables (PE) mit ihren entsprechenden API-Aufrufen. Wir verwenden die Cuckoo-Sandbox. Relevante 4-Gramm-API-Aufrufe werden mithilfe von Term Frequency-Inverse Document Frequency (TF-IDF) extrahiert. Anschließend werden Algorithmen des maschinellen Lernens angewendet, um die Malware zu klassifizieren.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 80 pp. Deutsch.…

Taschenbuch. Condizione: Neu. This item is printed on demand - Print on Demand Titel. Neuware -I casi di malware sono in aumento sia in termini di numero che di mortalità. Gli hacker progettano il malware per compromettere la sicurezza dei sistemi, soprattutto la riservatezza, l'integrità e la disponibilità. Esistono tecniche di eliminazione del malware, ma il malware deve essere prima individuato. Le tecniche di rilevamento del malware presentano ancora punti deboli, con alti tassi di falsi positivi/negativi. L'emergenza del malware polimorfico ha peggiorato la situazione. Studi recenti hanno dimostrato che il data mining è promettente per identificare il malware analizzando le chiamate API. Tuttavia, in questo approccio, un file viene rilevato come dannoso o meno. Non viene classificato in base alla classe di malware a cui appartiene. Ciò rende più difficile la sua eliminazione, poiché gli schemi di eliminazione sono per lo più basati sulle classi. La classificazione come processo successivo al rilevamento è importante se si vuole eliminare il malware dal sistema. Sperimentiamo l'uso di un approccio di data mining per classificare il malware utilizzando le chiamate di sistema dell'API 4-gram. Utilizziamo i Portable Executables (PE) di Windows con le corrispondenti chiamate API. Utilizzando la sandbox Cuckoo. Le caratteristiche rilevanti delle chiamate API a 4 grammi vengono estratte utilizzando Term Frequency-Inverse Document Frequency (TF-IDF). Gli algoritmi di apprendimento automatico vengono quindi applicati per classificare il malware.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 76 pp. Italienisch.…