prikaz prve stranice dokumenta Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora
No public access
master's thesis
Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2016. urn:nbn:hr:168:189852
Bilić, Nicole
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Bilić, N. (2016). Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:189852

Bilić, Nicole. "Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2016. https://urn.nsk.hr/urn:nbn:hr:168:189852

Bilić, Nicole. "Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2016. https://urn.nsk.hr/urn:nbn:hr:168:189852

Bilić, N. (2016). 'Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 26 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:189852

Bilić N. Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2016 [cited 2024 December 26] Available at: https://urn.nsk.hr/urn:nbn:hr:168:189852

N. Bilić, "Otkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2016. Available at: https://urn.nsk.hr/urn:nbn:hr:168:189852

Metadata
TitleOtkrivanje zloćudnih programa algoritmom klasifikacije strojem potpornih vektora
Title (english)Malware Detection Using Support Vector Machine as Classifier
AuthorNicole Bilić
MentorMarin Golub (mentor)
Committee memberMarin Golub (predsjednik povjerenstva)
Committee memberStjepan Groš (član povjerenstva)
Committee memberDejan Škvorc (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2016-07-15, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Program za detekciju zloćudnog softvera (eng. malware) napravljen na temelju klasifikacije potpornog stroja vektora (eng. Support vector machine, SVM). Program detektira zloćudni softver u izvršnim datotekama (npr .exe, .dll). Skup podataka za učenje, validaciju i testiranje je asembler dobiven dekompilacijom izvršnih datoteka, a potom izračun frekvencija pojave pojedine naredbe što je ujedno i ulaz u SVM. Korištenjem skupa za validaciju za minimizaciju ukupne pogreške, određen je broj dimenzija (eng. dimensionality reduction) i jezgra (eng. kernel) SVMa. Za redukciju dimenzija moguće je koristiti algoritme PCA (eng. Principal Component Analysis), LDA (eng. Linear Discriminant Analysis) i sl. Odabrani SVM je testiran na skupu za testiranje i iz rezultata su izračunati preciznost, odziv te tzv. F1 rezultat, te broj lažno pozitivnih, lažno negativnih te ispravno klasificiranih jedinki (izvršnih datoteka).
Abstract (english)
Malware detection software based on Support Vector Machine (SVM) classifier.Software detects malware in executable files (such as .exe, .dll). Dataset, divided into training, validation and test set, is an assembly code obtained by disassembling executable. Assembly is then processed, and afterwards frequency for each command is calculated. Using validation set to minimize the total error, dimensionality reduction is performed using different techniques such as Principal Component Analysis, PCA or Linear Discriminant Analysis, LDA. Furthermore, SVM kernel is chosen based on validation set as well. SVM with optimal parameters is tested on test set and precision, recall and F1measure are calculated, as well as number of false positives, false negatives and correctly classified executables.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:189852
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2018-02-06 07:54:28