Aplikace umělých neuronových sítí pro detekci malware v HTTPS komunikaci
| Název práce v češtině: | Aplikace umělých neuronových sítí pro detekci malware v HTTPS komunikaci |
|---|---|
| Název v anglickém jazyce: | Application of artificial neural networks for malware detection in HTTPS traffic |
| Klíčová slova: | Umělé neuronové sítě, detekce malware, HTTPS data, podobnostní hledání |
| Klíčová slova anglicky: | Artificial neural networks, malware detection, HTTPS traffic, similarity search |
| Akademický rok vypsání: | 2016/2017 |
| Typ práce: | bakalářská práce |
| Jazyk práce: | angličtina |
| Ústav: | Katedra softwarového inženýrství (32-KSI) |
| Vedoucí / školitel: | doc. RNDr. Jakub Lokoč, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 09.05.2017 |
| Datum zadání: | 10.05.2017 |
| Datum potvrzení stud. oddělením: | 06.06.2017 |
| Datum a čas obhajoby: | 06.09.2017 00:00 |
| Datum odevzdání elektronické podoby: | 20.07.2017 |
| Datum odevzdání tištěné podoby: | 21.07.2017 |
| Datum proběhlé obhajoby: | 06.09.2017 |
| Oponenti: | RNDr. Mgr. Petr Somol, Ph.D. |
| Zásady pro vypracování |
| Since a huge portion of malicious software communicates over the Internet, infected computers can be detected purely on the basis of their network activity. In order to avoid detection, malware designers have shifted to HTTPS protocol, thus limiting the amount of information to reveal the malware. In the thesis, the author will use neural networks to detect malicious communication on the basis of available HTTPS traffic metadata (number of bytes sent/received, time, etc.). The author will do a comparison of neural network architectures for classification and also explore methods for similarity search in HTTPS data. |
| Seznam odborné literatury |
| Deep Learning. Ian J. Goodfellow, Yoshua Bengio, Aaron Courville. MIT Press 2016.
Maxout Networks. Ian J. Goodfellow, David Warde-Farley, Mehdi Mirza, Aaron Courville, Yoshua Bengio. arXiv: 1302.4389. FaceNet: A Unified Embedding for Face Recognition and Clustering. Florian Schroff, Dmitry Kalenichenko, James Philbin. arXiv: 1503.03832. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdino. Journal of Machine Learning Research 15 (2014) 1929-1958. |