2024
Heuristic Malware Detection Method Based on Structured CTI Data: A Research Study and Proposal
NOVÁK, Pavel a Václav OUJEZSKÝZákladní údaje
Originální název
Heuristic Malware Detection Method Based on Structured CTI Data: A Research Study and Proposal
Autoři
NOVÁK, Pavel (203 Česká republika, domácí) a Václav OUJEZSKÝ (203 Česká republika, garant, domácí)
Vydání
Croatia, 2024 International Conference on Software, Telecommunications and Computer Networks (SoftCOM), od s. 380-385, 6 s. 2024
Nakladatel
IEEE
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
20203 Telecommunications
Stát vydavatele
Chorvatsko
Utajení
není předmětem státního či obchodního tajemství
Forma vydání
elektronická verze "online"
Odkazy
Organizační jednotka
Fakulta informatiky
ISBN
979-8-3503-5461-4
Klíčová slova anglicky
detection; gnn; heuristics; intelligence; malware; ransomware
Příznaky
Mezinárodní význam, Recenzováno
Změněno: 25. 10. 2024 10:06, doc. Ing. Václav Oujezský, Ph.D.
Anotace
V originále
This article addresses the significant and evolving threat of malware, particularly ransomware, to critical infrastructure sectors such as energy, banking, and food supply. Traditional detection methods that rely on specific indicators of compromise, like file hashes or IP addresses, can be easily circumvented by attackers. This paper presents a novel heuristic approach to malware detection using structured cyber threat intelligence data. By aggregating high-level indicators of compromise such as file modifications, registry key changes, and suspicious network communications, this method aims to identify malicious patterns indicative of malware behavior. The proposed detection system employs advanced machine learning techniques, including graph neural networks, to analyze these aggregated indicators of compromise. This approach enables earlier detection of malware, reduces the mean time to detect breaches, and minimizes false positives. The system utilizes the STIX data format for improved interoperability and analysis of cyber threat intelligence data.
Návaznosti
VK01030030, projekt VaV |
|