The Need for Speed: An Analysis of Brazilian Malware Classifiers

Ceschin, Fabrício; Pinage, Frederico S.; Castilho, Marcos; Menotti, David; Oliveira, Luiz S.; Grégio, André

doi:10.1109/msec.2018.2875369

Cited by 39 publications

(32 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O relatório de classificação por mecanismos de aprendizado de máquina inclui diversos modelos apresentados na literatura de deteccção de malware para Windows. Dentre eles, os modelos EMBER [Anderson and Roth 2018] (LightGDM), Mal-Conv [Raff et al 2017], Non-Negative MalConv [Fleshman et al 2019] e variações do modelo Need for Speed [Ceschin et al 2018], de nossa autoria, treinado com diferentes conjuntos de dados e classificadores. Conforme apresentado na Figura 5, o Corvus exibe os resultados para cada modelo, incluindo o rótulo dado ao arquivo (suspeito ou não suspeito) e o nível de confiança da decisão tomada por cada modelo.…”

Section: Aplicaçãounclassified

“…• Uma análise do malware ativo na Internet brasileira [Botacin et al 2021] • Um decompilador de malware para Linux [Botacin et al 2019] • Modelos de classificação de arquivos baseados em aprendizado de máquina [Ceschin et al 2018] • Um gerador de exemplares adversários para evadir classificadores [Ceschin et al 2020] As ferramentas que compõem o sistema Corvus tem seu código fonte disponível na Internet. A saber:…”

Section: Conclusãounclassified

See 1 more Smart Citation

Corvus: Uma solução Sandbox e de Threat Intelligence para Identificação e Análise de Malware

Botacin¹,

Ceschin²,

Grégio³

2021

Anais Estendidos Do XXI Simpósio Brasileiro De Segurança Da Informação E De Sistemas Computacionais (SBSeg Estendido 2021)

View full text Add to dashboard Cite

Neste artigo, apresentamos Corvus, uma solução web para a identificação, triagem e análise de ameaças. Através da plataforma, usuários podem submeter arquivos PDF e executáveis Android, Linux e Windows desconhecidos para procedimentos de análise estática, dinâmica e de análise de dados. Os dados obtidos são reportados através de tabelas, gráficos dinâmicos e podem ser exportados em formatos adequados para a utilização por equipes de resposta à incidentes de segurança. Disponível em https://corvus.inf.ufpr.br/.

show abstract

Section: Aplicaçãounclassified

Section: Conclusãounclassified

Corvus: Uma solução Sandbox e de Threat Intelligence para Identificação e Análise de Malware

Botacin¹,

Ceschin²,

Grégio³

2021

Anais Estendidos Do XXI Simpósio Brasileiro De Segurança Da Informação E De Sistemas Computacionais (SBSeg Estendido 2021)

View full text Add to dashboard Cite

show abstract

“…A comparison with the n-gram model is a suboptimal approach [26] as the malware author may manipulate the n-grams and it will make the feature disappear. Just a single byte change can make the feature disappear from consideration in the model.…”

Section: Literature Surveymentioning

confidence: 99%

“…Hence, another group of larger features is made of strings, General (COFF) part of PE header, optional header, and section part from PE header. Many researchers have used imports of API along with DLL [18,26,50]. The malware tends to export its API rather than using the API from standard DLL.…”

Section: Experiments Designmentioning

confidence: 99%

“…Deep learning [11,[22][23][24][25] and machine learning [5,10,[26][27][28][29] has been used to make automated detectors to identify the malware and the family of malware. In most cases dataset used [26] are not available, unbalanced or detectors work with an unavailable specific setting and specific datasets. A private emulation environment is required to overcome challenges imposed by dynamic analysis.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Malware classification using XGboost-Gradient Boosted Decision Tree

Kumar¹,

Geetha²

2020

Adv. sci. technol. eng. syst. j.

View full text Add to dashboard Cite

In this industry 4.0 and digital era, we are more dependent on the use of communication and various transaction such as financial, exchange of information by various means. These transaction needs to be secure. Differentiation between the use of benign and malware is one way to make these transactions secure. We propose in this work a malware classification scheme that constructs a model using low-end computing resources and a very large balanced dataset for malware. To our knowledge, and search the complete dataset is used the first time with the XGBoost GBDT machine learning technique to build a classifier using low-end computing resources. The model is optimized for efficiency with the removal of noisy features by a reduction in features sets of the dataset by domain expertise in malware detection and feature importance functionality of XGboost and hyperparameter tuning. The model can be trained in low computation resources at less time in 1315 seconds with a reduction in feature set without affecting the performance for classification. The model gives improved performance for accuracy with the tuning of the hyperparameter and achieve higher accuracy of 98.5 and on par AUC of .9989.

show abstract