NOVÁK, Pavel, Václav OUJEZSKÝ, Patrik KAURA, Tomáš HORVÁTH a Martin HOLÍK. Multistage Malware Detection Method for Backup Systems. TECHNOLOGIES. SWITZERLAND: MDPI, 2024, roč. 23, 12(2), s. 1-16. ISSN 2227-7080. Dostupné z: https://dx.doi.org/10.3390/technologies12020023.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Multistage Malware Detection Method for Backup Systems
Autoři NOVÁK, Pavel (203 Česká republika, domácí), Václav OUJEZSKÝ (203 Česká republika, garant, domácí), Patrik KAURA (203 Česká republika, domácí), Tomáš HORVÁTH (203 Česká republika, domácí) a Martin HOLÍK (203 Česká republika, domácí).
Vydání TECHNOLOGIES, SWITZERLAND, MDPI, 2024, 2227-7080.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 20203 Telecommunications
Stát vydavatele Švýcarsko
Utajení není předmětem státního či obchodního tajemství
WWW URL
Impakt faktor Impact factor: 3.600 v roce 2022
Organizační jednotka Fakulta informatiky
Doi http://dx.doi.org/10.3390/technologies12020023
UT WoS 001172262100001
Klíčová slova anglicky backup; detection; hashes; malware; model; machine learning; system
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: doc. Ing. Václav Oujezský, Ph.D., učo 247158. Změněno: 29. 5. 2024 14:25.
Anotace
This paper proposes an innovative solution to address the challenge of detecting latent malware in backup systems. The proposed detection system utilizes a multifaceted approach that combines similarity analysis with machine learning algorithms to improve malware detection. The results demonstrate the potential of advanced similarity search techniques, powered by the Faiss model, in strengthening malware discovery within system backups and network traffic. Implementing these techniques will lead to more resilient cybersecurity practices, protecting essential systems from hidden malware threats. This paper’s findings underscore the potential of advanced similarity search techniques to enhance malware discovery in system backups and network traffic, and the implications of implementing these techniques include more resilient cybersecurity practices and protecting essential systems from malicious threats hidden within backup archives and network data. The integration of AI methods improves the system’s efficiency and speed, making the proposed system more practical for real-world cybersecurity. This paper’s contribution is a novel and comprehensive solution designed to detect latent malware in backups, preventing the backup of compromised systems. The system comprises multiple analytical components, including a system file change detector, an agent to monitor network traffic, and a firewall, all integrated into a central decision-making unit. The current progress of the research and future steps are discussed, highlighting the contributions of this project and potential enhancements to improve cybersecurity practices.
Návaznosti
VK01030030, projekt VaVNázev: Systém pro zálohování a ukládání dat s integrovanou aktivní ochranou proti kybernetickým hrozbám
Investor: Ministerstvo vnitra ČR, Systém pro zálohování a ukládání dat s integrovanou aktivní ochranou proti kybernetickým hrozbám
VytisknoutZobrazeno: 11. 10. 2024 16:52