|
|
|
|
| LEADER |
02843na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2019 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid6803
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Brajdić, Ivona
|9 40852
|
| 245 |
1 |
0 |
|a Klasifikacija zloćudnih programa primjenom dubokog učenja :
|b diplomski rad /
|c Ivona Brajdić ; [mentor Zoran Kalafatić].
|
| 246 |
1 |
|
|a Malware Classification Based on Deep Learning
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b I. Brajdić,
|c 2019.
|
| 300 |
|
|
|a 45 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2019-06-28, datum završetka: 2019-07-11
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Zloćudni programi problem su svakog korisnika Interneta, a sve su brojniji i mogu izazvati veliku štetu. Godišnje se otkriju stotine milijuna novih varijanti zloćudnih programa, a praćenje istih postaje sve kompliciranije. Međutim, nove varijante zloćudnih programa najvećim dijelom nastaju kao manje modifikacije već poznatih programa. Napadači tako pokušavaju izbjeći njihovu detekciju uz jednaku funkcionalnost. Zbog toga se pojavila potreba svrstavanja zloćudnih programa u obitelji, odnosno grupe programa čija je funkcionalnost međusobno jednaka, no datoteke su naizgled različite. Ovaj rad bavi se problematikom svrstavanja zloćudnih programa u obitelji, primjenom vizualizacije njihovog binarnog koda te klasifikacijom dobivenih slika konvolucijskom neuronskom mrežom. Istražuju se prednosti i nedostaci ovakvog pristupa kroz implementaciju vizualizacije i klasifikacije te evaluaciju klasifikatora.
|
| 520 |
3 |
|
|a Sažetak na engleskom: Nearly every Internet user has come across a malicious program at least once. Malware can cause financial damage and invade people's privacy. Research has shown that hundreds of millions of new malware variants are discovered each year and detecting them is becoming more complicated. However, most of these new variants are just modifications of existing malicious programs. Attackers modify malware in order to avoid detection, which results in many seemingly different files that have the same behaviour. In order to be effective in analyzing and classifying these files, we should be able to group them and identify their respective families. This thesis discusses the method of malware binary visualization following with a convolutional neural network that predicts the family to which the malware belongs.
|
| 653 |
|
1 |
|a Zloćudni program
|a duboko učenje
|a konvolucijske neuronske mreže
|a klasifikacija
|a vizualizacija
|
| 653 |
|
1 |
|a Malware
|a deep learning
|a convolutional neural network
|a classification
|a visualization
|
| 700 |
1 |
|
|a Kalafatić, Zoran
|4 ths
|9 8062
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 51560
|d 51560
|