prikaz prve stranice dokumenta Suparnički primjeri u detekciji zloćudnih programa na sustavu Android
No public access
master's thesis
Suparnički primjeri u detekciji zloćudnih programa na sustavu Android
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. urn:nbn:hr:168:156892
Kujundžić, Martina
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Kujundžić, M. (2020). Suparnički primjeri u detekciji zloćudnih programa na sustavu Android (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:156892

Kujundžić, Martina. "Suparnički primjeri u detekciji zloćudnih programa na sustavu Android." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:156892

Kujundžić, Martina. "Suparnički primjeri u detekciji zloćudnih programa na sustavu Android." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2020. https://urn.nsk.hr/urn:nbn:hr:168:156892

Kujundžić, M. (2020). 'Suparnički primjeri u detekciji zloćudnih programa na sustavu Android', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 25 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:156892

Kujundžić M. Suparnički primjeri u detekciji zloćudnih programa na sustavu Android [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2020 [cited 2024 December 25] Available at: https://urn.nsk.hr/urn:nbn:hr:168:156892

M. Kujundžić, "Suparnički primjeri u detekciji zloćudnih programa na sustavu Android", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2020. Available at: https://urn.nsk.hr/urn:nbn:hr:168:156892

Metadata
TitleSuparnički primjeri u detekciji zloćudnih programa na sustavu Android
Title (english)Adversarial examples in Android malware detection
AuthorMartina Kujundžić
MentorAnte Đerek (mentor)
Committee memberAnte Đerek (predsjednik povjerenstva)
Committee memberMarin Golub (član povjerenstva)
Committee memberLeonardo Jelenković (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2020-07-14, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Područje računalne sigurnosti je podložno stalnim promjenama i nadogradnjama. Primjena metoda strojnog učenja kao tehnike očuvanja sigurnosti predstavlja pozitivnu promjenu i unaprjeđuje postojeće metode obrane. U radu smo se bazirali na dinamičke napade putem suparničkih primjera. Preciznije, orijentirali smo se na suparničke primjere u detekciji zloćudnih programa na sustavu Android. Početni korak u procesu generiranja suparničkih primjera je konstruiranje polaznog modela binarnog klasifikatora. Metoda generiranja suparničkih primjera koristi polazni model za određivanje smjera promjene koji pospješuje klasifikaciju u željenu klasu. Računamo gradijent funkcije neuronske mreže i na temelju iznosa gradijenta određujemo koje od značajki ulaznog vektora ćemo mijenjati. Svjesni činjenice da je moguće konstruirati smisleni primjer koji će zavarati početni model, primijenili smo suparnički trening kao metodu obrane od ovakvog tipa napada. Početni model smo dodatno trenirali na suparničkim primjerima kako bi ga učinili robusnijim i time manje osjetljivim na moguće napade. Naš suparnički klasifikator je pokazao bolje rezultate u detekciji zloćudnih programa od početnog modela. Istovremeno je zadržana točnost modela u vidu početnih zloćudnih aplikacija i poboljšana sposobnost detekcije primjera koji su specijalno modelirani kako bi zavarali klasifikator.
Abstract (english)
The area of computer security is under constant development. This paper describes the use of adversarial machine learning in the context of computer security. Adversarial learning is used to confront the attackers that dynamically change their behavior over time. Existing models are observed to find weaknesses that could be exploited. We are concentrated on the task of fighting adversarial examples in the context of malicious programs on Android operating systems. The first step of our approach is constructing a standard binary classifier. This model is used to craft adversarial examples. The perturbation algorithm is focused on finding the direction in which input examples can be crafted to mislead the model. The implemented method is based on the values of the network gradient. Features whose absolute value is the greatest are added in an attempt of misleading the classifier. Produced adversarial examples are further used for adversarial training. Adversarial training is a defense mechanism based on adversarial examples. Crafted examples are used in a training set of a new model. This model is known as an adversarial classifier. Adversarial training is found to be an efficient way of fighting with adversarial examples. This model is more robust than the previous one. Model accuracy, false negative, and false positive rates support this claim.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:156892
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 on2023-01-13 10:14:12