Bakalářská práce
Získaná ocenění: Cena děkana FI za vynikající závěrečnou práci

Labeling of Android malware with help of cryptographic API usage

Dominik Macko
Anotace

Cieľom tejto práce bolo vyhodnotiť možnosť použitia informácií o používaní kryptografického API v aplikáciach na platforme Android pre detekciu malwaru, detekciu adwaru a klasifikáciu malwarových a adwarových rodín pomocou strojového učenia. Najprv práca poskytuje prehľad o analýze malwaru na platforme Android a o použitých algoritmoch strojového učenia, konkrétne naivný Bayesov klasifikátor, logistická …více

Abstract

The thesis aims to evaluate the potential of using information about cryptography API usage in Android applications for malware detection, adware detection, and labeling of malware and adware families using machine learning. First, the thesis provides an overview of Android malware analysis and the machine learning algorithms used, specifically Naive Bayes, Logistic Regression, Random Forest, Gradient …více

Klíčová slova
Android malware malware detection malware families malware categories malware labeling adware adware detection machine learning classification Random Forest Logistic Regression Naive Bayes Gradient Boosted Decision Trees deep learning neural networks Multilayer Perceptron detekcia malwaru malwarové rodiny kategórie malwaru klasifikácia malwarových rodín detekcia adwaru strojové učenie klasifikácia náhodný les logistická regresia naivný Bayesov klasifikátor gradientne posilované rozhodovacie stromy hlboké učenie neurónové siete viacvrstvé siete
Zadání práce
The goal of the thesis is to evaluate the potential of using information about application's cryptographic API usage for malware detection and malware family labeling using machine learning. The existing dataset of cryptographic API usage, which contains 250 thousand malicious samples will be extended with the analogical data for benign samples. As a part of the work, at least 150 thousand benign samples should be analyzed for their cryptographic API usage with the already existing tool. The student shall also study the problems and challenges of malware detection and malware family labeling. The student will perform an exploratory study on the extended dataset and extract suitable features for machine learning classifiers. Subsequently, the student will train at least three supervised machine learning models (for example Random Forest, Naive Bayes, and Logistic Regression) and evaluate their performance w.r.t. discussed problem.
Administrativní informace
Práce zkontrolována:
26. 5. 2021 07:27, RNDr. Adam Janovský, Ph.D., učo 410390
Plný text práce
4 MB / soubor PDF
Přílohy (1)
Jazyk práce
angličtina angličtina
Termín obhajoby
2. 7. 2021
Práce byla úspěšně obhájena

Vedoucí

RNDr. Adam Janovský, Ph.D., učo 410390
KPSK FI MU

Oponent

RNDr. Antonín Dufka, Ph.D.
KPSK FI MU
Citovat tuto práci
Masarykova univerzita Fakulta informatiky
Studijní program
Aplikovaná informatika
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.