Malware detection system with machine learning

Nagli razvoj Interneta u zadnjem desetljeću doveo je do eksponencijalnog rasta zlonamjernih programa i napada koji je ozbiljno zaprijetio tradicionalnim tehnikama otkrivanja zlonamjernih programa. Pravovremeno otkrivanje često nije moguća zbog vrlo male ili nepostojeće sposobnosti otkrivanja novih, dosad neviđenih zlonamjernih programa i zbog neučinkovitih mehanizama distribucije znanja o novopronad̄enim zlonamjernim programima. Strojno učenje omogućuje učinkovito i precizno izvlačenje znanja iz velikog skupa podataka, a primijenjeno na područje otkrivanja zlonamjernih programa pokazuje bolje rezultate od tradicionalnih tehnika otkrivanja zlonamjernih programa. U sklopu ovog rada istražene su i programski ostvarene razne tehnike određivanja značajki iz izvršnih programa i metrike za kontinuiranu evaluaciju performansi modela strojnog učenja za otkrivanje zloćudnih programa.The rapid rise of malicious executables poses a significant threat to traditional malware detection techniques. Real-time detection is often impossible due to the inability of recognizing new, previously unseen samples. Machine learning provides efficient and accurate information extraction from a large set of samples. The application of machine learning techniques for malware detection has yielded better results than traditional detection techniques. This paper gives an insight into the details of various feature extraction techniques used for executable programs and evaluates their performance using similarity based metrics suitable for continuous performance monitoring