Vis enkel innførsel

dc.contributor.advisorMorrison, Donn
dc.contributor.authorKnutsen, Mathias
dc.contributor.authorLervik, Eivind Hestnes
dc.date.accessioned2020-07-14T16:02:12Z
dc.date.available2020-07-14T16:02:12Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11250/2664043
dc.description.abstractEtter hvert som flere og flere tjenester flytter online, er internettet blitt en lukrativ plass for personer med ondsinnet hensikt. Skadevare sprer seg raskere enn noen gang, og dagens signaturbaserte løsninger er ikke gode nok til å beskytte oss mot enhver trussel. Moderne maskinlæringsteknikker er bevist å være kraftige verktøy for å bekjempe skadevare. Vi gir en omfattende gjennomgang av publisert litteratur som dekker forskjellige metoder for skadevaregjenkjenning ved hjelp av maskinlæring. I tillegg foreslår vi 24 veiledede maskinlæringsmetoder for å statisk oppdage skadelig programvare. Disse metodene er basert på tidligere litteratur for gjenkjenning av skadelig programvare på Microsoft Windows systemer. Våre metoder kan oppdage ukjent skadelig programvare, kjent som 0-days, med nøyaktigheter over 95%. Et dypt nevralt nettverk samt random forest er blant de beste modellene.
dc.description.abstractAs more and more services are moving online, the internet has become a lucrative hunting ground for people with malicious intent. Malware is spreading faster than ever, and today's signature-based solutions are not good enough to protect us from every threat. Modern machine learning techniques are proven to be powerful tools against malware. We provide a comprehensive review of published literature on the topic of malware detection using machine learning, covering a number of different approaches. In addition we propose 24 supervised machine learning approaches of our own to statically detect malware. These are based on previous literature for malware detection on Microsoft Windows systems. Our methods can detect unseen malware, referred to as 0-days, with accuracies above 95%. The best performing models include deep neural networks, random forest and more.
dc.publisherNTNU
dc.titleMalware detection using supervised machine learning
dc.typeBachelor thesis


Tilhørende fil(er)

Thumbnail
Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel