The World of Malware: An Overview

Namanya, Anitta Patience; Cullen, Andréa; Awan, Irfan; Disso, Jules Pagna

doi:10.1109/ficloud.2018.00067

Cited by 52 publications

(32 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Bu açıdan bakıldığında imza temelli kötücül yazılım tespitinin esasında bir kayıt eşleştirme problemi (string matching problem) olduğu görülmektedir. Etkin bir eşleştirme için herhangi bir imzada asgari bulunması gereken özellikler şunlardır [17]: Kötücül yazılımlarda gözlemlenen bu kronolojik değişim, var olan güvenlik çözümlerini yeni arayışlara itmiş ve bunun neticesinde kötücül yazılımların tespitinde kullanılan araçların ve yöntemlerin günümüze kadar hem sayısı hem de karmaşıklığı artmıştır [23]. Nitekim kötücül yazılımlar ile güvenlik metodolojileri arasında süregelen bir savaşın varlığı ve karşılıklı silahlanma yarışının uzun zamandır devam ettiği bilinmektedir [24].…”

Section: Kötücül Yazılım Tespit Yöntemleri (Malware Detection Methods)unclassified

Kötücül yazılımların tespitinde imza temelli ve dinamik analiz yöntemlerinin zayıflıkları: Örnek olay çalışması

Aygör¹,

Aktan²

2021

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Kötücül yazılımlar, süregelen evrimi nedeniyle günümüzde de birçok bilgisayarı etkilemeye devam etmektedir. Kötücül yazılımların amacı hedef sistemleri manipüle etmek olduğundan, bu amacın önündeki en büyük engellerden biri konumunda olan antivirüs yazılımlarının atlatılması için birçok yöntem geliştirilmiştir. Bu çalışmada; kod enjeksiyonu, anti-dinamik modifikasyon ve şifreleme adımlarından oluşan deneysel metotla manipüle edilen masum bir programın, imza ve dinamik analiz temelli antivirüs yazılımlarını büyük ölçüde atlatabildiği gösterilmiştir. Masum bir program olarak Notepad++ metin editörü, kötücül kod üretmek için Metasploit zafiyet analiz ve test çatısı, anti-dinamik modifikasyon için Ollydbg hata ayıklayıcısı ve kötücül yazılım analizi için Virustotal platformu kullanılmıştır. Virustotal sonuçlarına bakıldığında; masum program içerisine enjekte edilmiş kötücül kod başlangıçta 30/67 adet antivirüs yazılımı tarafından tespit edilmiş, fakat anti-dinamik modifikasyon ve şifreleme uygulandıktan sonra bu değer, sırasıyla 9/67 ve 4/66 adede düşmüştür. Özetle birçok antivirüs yazılımının, farklı anti-tespit yöntemleri ile atlatılabildiği anlaşılmıştır. Bu sonuç, mevcut antivirüs çözümlerinin yanı sıra kum havuzu teknolojisi gibi farklı güvenlik yaklaşımlarına ihtiyaç olduğunu ortaya koymaktadır.

show abstract

Section: Kötücül Yazılım Tespit Yöntemleri (Malware Detection Methods)unclassified

Kötücül yazılımların tespitinde imza temelli ve dinamik analiz yöntemlerinin zayıflıkları: Örnek olay çalışması

Aygör¹,

Aktan²

2021

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

show abstract

“…In a communication network of blockchain-based smart applications, there is layer-wise handling of security issues. Some security issues are handled at the network layer, such as malicious packets and some at the application layer such as malware [6]. At the network layer, malicious packets can be used to impose the network to establish fraudulent consensus.…”

Section: Introductionmentioning

confidence: 99%

Machine Learning Adoption in Blockchain-Based Smart Applications: The Challenges, and a Way Forward

et al. 2020

View full text Add to dashboard Cite

In recent years, the emergence of blockchain technology (BT) has become a unique, most disruptive, and trending technology. The decentralized database in BT emphasizes data security and privacy. Also, the consensus mechanism in it makes sure that data is secured and legitimate. Still, it raises new security issues such as majority attack and double-spending. To handle the aforementioned issues, data analytics is required on blockchain based secure data. Analytics on these data raises the importance of arisen technology Machine Learning (ML). ML involves the rational amount of data to make precise decisions. Data reliability and its sharing are very crucial in ML to improve the accuracy of results. The combination of these two technologies (ML and BT) can provide highly precise results. In this paper, we present a detailed study on ML adoption for making BT-based smart applications more resilient against attacks. There are various traditional ML techniques, for instance, Support Vector Machines (SVM), clustering, bagging, and Deep Learning (DL) algorithms such as Convolutional Neural Network (CNN) and Long short-term memory (LSTM) can be used to analyse the attacks on a blockchain-based network. Further, we include how both the technologies can be applied in several smart applications such as Unmanned Aerial Vehicle (UAV), Smart Grid (SG), healthcare, and smart cities. Then, future research issues and challenges are explored. At last, a case study is presented with a conclusion. INDEX TERMS Blockchain, machine learning, smart grid, data security and privacy, data analytics, smart applications.

show abstract

“…The various types of malware include viruses, worms, Trojan horses, adware, spyware, rootkits, bots, ransomware, etc. [2][3][4].…”

Section: Introductionmentioning

confidence: 99%

“…A hybrid ensemble learning framework consisting of fully connected and convolutional neural networks (CNNs) with the ExtraTrees classifier as a meta-learner for malware recognition. (2). A comprehensive study of the performance of classifiers for selecting the components of the framework.…”

Section: Introductionmentioning

confidence: 99%

Windows PE Malware Detection Using Ensemble Learning

et al. 2021

View full text Add to dashboard Cite

In this Internet age, there are increasingly many threats to the security and safety of users daily. One of such threats is malicious software otherwise known as malware (ransomware, Trojans, viruses, etc.). The effect of this threat can lead to loss or malicious replacement of important information (such as bank account details, etc.). Malware creators have been able to bypass traditional methods of malware detection, which can be time-consuming and unreliable for unknown malware. This motivates the need for intelligent ways to detect malware, especially new malware which have not been evaluated or studied before. Machine learning provides an intelligent way to detect malware and comprises two stages: feature extraction and classification. This study suggests an ensemble learning-based method for malware detection. The base stage classification is done by a stacked ensemble of fully-connected and one-dimensional convolutional neural networks (CNNs), whereas the end-stage classification is done by a machine learning algorithm. For a meta-learner, we analyzed and compared 15 machine learning classifiers. For comparison, five machine learning algorithms were used: naïve Bayes, decision tree, random forest, gradient boosting, and AdaBoosting. The results of experiments made on the Windows Portable Executable (PE) malware dataset are presented. The best results were obtained by an ensemble of seven neural networks and the ExtraTrees classifier as a final-stage classifier.

show abstract

The World of Malware: An Overview

Cited by 52 publications

References 12 publications

Kötücül yazılımların tespitinde imza temelli ve dinamik analiz yöntemlerinin zayıflıkları: Örnek olay çalışması

Kötücül yazılımların tespitinde imza temelli ve dinamik analiz yöntemlerinin zayıflıkları: Örnek olay çalışması

Machine Learning Adoption in Blockchain-Based Smart Applications: The Challenges, and a Way Forward

Windows PE Malware Detection Using Ensemble Learning

Contact Info

Product

Resources

About