تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد
واتساپ:09141077352 همراه: 09141077352 ثابت: 35250068-041 سفارش سمینار و مقاله سفارش ترجمه تخصصی
 

دانلود فایل با شمار فاکتور

لطفا شماره فاکتور خود را درج نمایید


جدیدترین لغات واژه‌نامه

آمار بازدیدکنندگان

بازدید امروز :80
بازدید روز گذشته :72
بازدید این هفته :430
بازدید این ماه :2190
مجموع آمار بازدید ها :780463

عنوان محصول: تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد

دسته‌بندی: مقالات ترجمه شده رشته کامپیوتر
تاریخ انتشار: پنج شنبه 20 شهريور 1399
تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد
توضیحات مختصر: با افزایش سهم تجاری سیستم عامل Mac OS X، افزایش متناظری در تعداد برنامه های مخرب (بدافزار) که برای بهره مندی از آسیب پذیری های روی پلتفرم های Mac OS X طراحی شده اند، مشاهده می شود. با این حال، تکنیک های تشخیص بدافزار OS X دستی و هیوریستیک موجود قادر به رسیدگی به چنین نرخ بالایی از بدافزار نمی باشند....
تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد تشخیص تهدید بدافزار OS X هوشمند با نظارت بر کد


قیمت قیمت : 35000 تومان
تخفیف تخفیف: 2000 تومان
تخفیف تخفیف ویژه : 10 درصد
قیمت نهایی قیمت نهایی: 29500 تومان
301 بازدید
کد مقاله: TTC- 3885
نوع فایل : docx
لینک دانلود فایل خریداری شده بلافاصله بعد از خرید موفق فعال خواهد شد.
Journal: Springer 2017,

Intelligent OS X malware threat detection with code inspection
Abstract
With the increasing market share of Mac OS X operating system, there is a corresponding increase in the number of malicious programs (malware) designed to exploit vulnerabilities on Mac OS X platforms. However, existing manual and heuristic OS X malware detection techniques are not capable of coping with such a high rate of malware. While machine learning techniques offer promising results in automated detection of Windows and Android malware, there have been limited efforts in extending them to OS X malware detection. In this paper, we propose a supervised machine learning model. The model applies kernel base SupportVector Machine and a novel weighting measure based on application library calls to detect OS Xmalware. For training and evaluating the model, a dataset with a combination of 152 malware and 450 benign were created. Using common supervised Machine Learning algorithm on the dataset, we obtain over 91% detection accuracy with 3.9% false alarm rate. We also utilize Synthetic Minority Over-sampling Technique (SMOTE) to create three synthetic datasetswith different distributions based on the refined version of collected dataset to investigate impact of different sample sizes on accuracy of malware detection. Using SMOTE datasets we could achieve over 96% detection accuracy and false alarm of less than 4%. Allmalware classification experiments are tested using cross validation technique. Our results reflect that increasing sample size in synthetic datasets has direct positive effect on detection accuracy while increases false alarm rate in compare to the original dataset.
Keywords: OSX malware detection ·RBF–SVM· Mach-O · Supervised classification · Cyber threat intelligence

چکیده
با افزایش سهم تجاری سیستم عامل Mac OS X، افزایش متناظری در تعداد برنامه های مخرب (بدافزار) که برای بهره مندی از آسیب پذیری های روی پلتفرم های Mac OS X طراحی شده اند، مشاهده می شود. با این حال، تکنیک های تشخیص بدافزار OS X دستی و هیوریستیک موجود قادر به رسیدگی به چنین نرخ بالایی از بدافزار نمی باشند. در حالیکه تکنیک های یادگیری ماشین، نتایج امیدبخشی را در تشخیص خودکار بدافزارهای ویندوز و اندروید ارائه می کنند، تلاش های محدودی برای توسعه آنها جهت تشخیص بدافزار OS X صورت گرفته است. این مدل از ماشین بردار پشتیبانی مبتنی بر هسته و یک ارزیابی جدید مبتنی بر فراخوانی های کتابخانه برنامه کاربردی جهت تشخیص بدافزار OS X استفاده می کند. برای آموزش و ارزیابی مدل، مجموعه داده ای با ترکیب 152 بدافزار و 450 آیتم نرمال ایجاد شدند. با استفاده از الگوریتم یادگیری ماشین نظارت شده مشترک بر روی مجموعه داده، به صحت تشخیص بالای 91% با نرخ آلارم نادرست 3.9% دست یافتیم. همچنین از تکنیک نمونه گیری اقلیت مصنوعی (SMOTE) برای ایجاد سه مجموعه داده ی مصنوعی با توزیع های مختلف بر مبنای نسخه ی اصلاح شده ی مجموعه داده ی جمع آوری شده استفاده کردیم تا تاثیر اندازه های مختلف نمونه را بر روی صحت تشخیص بدافزار بررسی کنیم. با استفاده از مجموعه داده های SMOTE می توانیم به صحت تشخیص بالای 96% و آلارم نادرست کمتر از 4% دست یابیم. تمام آزمایش های طبقه بندی بدافزارها با استفاده از تکنیک اعتبارسنجی متقابل تست می شوند. نتایج ما نشان می دهند که افزایش اندازه نمونه در مجموعه داده های مصنوعی تاثیر مثبت مستقیمی بر روی صحت تشخیص دارد، در حالیکه نرخ آلارم نادرست را در مقایسه با مجموعه داده اصلی افزایش می دهد.
کلمات کلیدی: تشخیص بدافزار OSX، RBF–SVM ، Mach-O، طبقه بندی نظارت شده، هوشمندی تهدید سایبری

تعداد صفحات انگلیسی تعداد صفحات انگلیسی:11 صفحه
تعداد صفحات فارسی تعداد صفحات فـارسـی:23 صفحه

  • آدرس: تبریز، آبرسان، مهرگان چهارم
  • تلفن  تماس: 09016347107
  • تلفن  ثابت : 35250068-041
  •  Mailttcenterاین آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید : آدرس  ایمیل
  • @zoodyab :آدرس تلگرام
مرکز  تخصصی  تلاش ترجمه از  سال  1385 شروع به کار نموده است  و تا کنون بیش از ده هزار ترجمه در رشته ها و زمینه های مختلف توسط متخصصین این مرکز انجام  شده  است.

تمامی ترجمه‌های انجام شده توسط موسسه تخصصی تلاش ترجمه، به صورت دستی (غیرماشینی) بوده و توسط مترجمین با سابقه انجام می‌شوند. ترجمه‌های انجام شده توسط موسسه تلاش ترجمه در قالب فایل Word و به صورت کاملا روان و بازخوانی شده و با ضمانت بازگشت وجه 72 ساعته (در صورت عدم رضایت از ترجمه) خدمت مشتریان محترم ارائه می‌شود.