Informační systém výzkumu,
vývoje a inovací

Rejstřík informací o výsledcích

Jednoduché vyhledávání

Zpět na hledáníAn Advanced Profile Hidden Markov Model for Malware Detection (2020)výskyt výsledku

Identifikační kód RIV/00216208:11320/20:10424315
Název v anglickém jazyce An Advanced Profile Hidden Markov Model for Malware Detection
Druh J - Recenzovaný odborný článek (Jimp, Jsc a Jost)
Poddruh J/A - Článek v odborném periodiku je obsažen v databázi Web of Science společností Thomson Reuters s příznakem „Article“, „Review“ nebo „Letter“ (Jimp)
Jazyk eng - angličtina
Vědní obor 10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Rok uplatnění 2020
Kód důvěrnosti údajů S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů.
Počet výskytů výsledku 1
Počet tvůrců celkem 2
Počet domácích tvůrců 1
Výčet všech uvedených jednotlivých tvůrců Ebrahim Ansari (státní příslušnost: IR - Íránská islámská republika, domácí tvůrce: A)
Alireza Abbas Alipour (státní příslušnost: IR - Íránská islámská republika)
Popis výsledku v anglickém jazyce The rapid growth of malicious software (malware) production in recent decades and the increasing number of threats posed by malware to network environments, such as the Internet and intelligent environments, emphasize the need for more research on the security of computer networks in information security and digital forensics. The method presented in this study identifies "species" of malware families, which are more sophisticated, obfuscated, and structurally diverse. We propose a hybrid technique combining aspects of signature detection with machine learning-based methods to classify malware families. The method is carried out by utilizing Profile Hidden Markov Models (PHMMs) on the behavioral characteristics of malware species. This paper explains the process of modeling and training an advanced PHMM using sequences obtained from the extraction of each malware family's paramount features, and the canonical sequences created in the process of Multiple Sequence Alignment (MSA) production. Due to the
Klíčová slova oddělená středníkem detection;malware;model;markov;hidden;profile;advanced
Stránka www, na které se nachází výsledek https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=-Pq5C_4REv
DOI výsledku 10.3233/IDA-194639
Odkaz na údaje z výzkumu -

Údaje o výsledku v závislosti na druhu výsledku

Název periodika Intelligent Data Analysis
ISSN 1088-467X
e-ISSN -
Svazek periodika 24
Číslo periodika v rámci uvedeného svazku 4
Stát vydavatele periodika NL - Nizozemsko
Počet stran výsledku 20
Strana od-do 759-778
Kód UT WoS článku podle Web of Science 000551095000002
EID výsledku v databázi Scopus 2-s2.0-85089309653
Způsob publikování výsledku C - Omezený přístup (Restricted Access)
Předpokládaný termín zveřejnění plného textu výsledku -

Ostatní informace o výsledku

Předkladatel Univerzita Karlova / Matematicko-fyzikální fakulta
Dodavatel MSM - Ministerstvo školství, mládeže a tělovýchovy (MŠMT)
Rok sběru 2021
Specifikace RIV/00216208:11320/20:10424315!RIV21-MSM-11320___
Datum poslední aktualizace výsledku 12.05.2021
Kontrolní číslo 192284489 ( v1.0 )

Odkazy na výzkumné aktivity, při jejichž řešení výsledek vznikl

Projekt podporovaný MŠMT v programu EF EF16_027/0008495 - Mezinárodní mobilita výzkumných pracovníků Univerzity Karlovy (2018 - 2021)
Vyhledávání ...