but.committee	prof. Ing. Jan Hajný, Ph.D. (předseda) doc. Ing. Ivo Lattenberg, Ph.D. (místopředseda) Ing. Stanislav Uchytil, Ph. D. (člen) Ing. Jan Látal, Ph.D. (člen) Ing. Tomáš Lieskovan, Ph.D. (člen) JUDr. MgA. Jakub Míšek, Ph.D. (člen)	cs
but.defence	Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta. Obasněte, proč pro posuzování podobnosti byla zvolena kosínova transformace a jak se liší od Manahttonské či Euklidovské vzdálenosti. Jaké další metody pro identifikaci významných příznaků znáte? K čemu se používá dopředná selekce příznaků či PCA?	cs
but.jazyk	angličtina (English)
but.program	Informační bezpečnost	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Hajný, Jan	en
dc.contributor.author	Varga, Adam	en
dc.contributor.referee	Burget, Radim	en
dc.date.created	2021	cs
dc.description.abstract	Za posledné roky je zaznamenaný nárast prác zahrňujúcich komplexnú detekciu malvéru. Pre potreby zachytenia správania je často vhodné pouziť formát grafov. To je prípad antivírusového programu Avast, ktorého behaviorálny štít deteguje škodlivé správanie a ukladá ich vo forme grafov. Keďže sa jedná o proprietárne riešenie a Avast antivirus pracuje s vlastnou sadou charakterizovaného správania bolo nutné navrhnúť vlastnú metódu detekcie, ktorá bude postavená nad týmito grafmi správania. Táto práca analyzuje grafy správania škodlivého softvéru zachytené behavioralnym štítom antivírusového programu Avast pre proces hlbšej detekcie škodlivého softvéru. Detekcia škodlivého správania sa začína analýzou a abstrakciou vzorcov z grafu správania. Izolované vzory môžu efektívnejšie identifikovať dynamicky sa meniaci malware. Grafy správania sú uložené v databáze grafov Neo4j a každý deň sú zachytené tisíce z nich. Cieľom tejto práce bolo navrhnúť algoritmus na identifikáciu správania škodlivého softvéru s dôrazom na rýchlosť skenovania a jasnosť identifikovaných vzorcov správania. Identifikácia škodlivého správania spočíva v nájdení najdôležitejších vlastností natrénovaných klasifikátorov a následnej extrakcie podgrafu pozostávajúceho iba z týchto dôležitých vlastností uzlov a vzťahov medzi nimi. Následne je navrhnuté pravidlo pre hodnotenie extrahovaného podgrafu. Diplomová práca prebehla v spolupráci so spoločnosťou Avast Software s.r.o.	en
dc.description.abstract	In recent years, there has been an increase in work involving comprehensive malware detection. It is often useful to use a graph format to capture behavior. This is the case with the Avast antivirus program, whose behavioral shield detects malicious behavior and stores it in the form of graphs. Since this is a proprietary solution and Avast antivirus works with its own set of characterized behavior, it was necessary to design our own detection method that will be built on top of these behavioral graphs. This work analyzes graphs of malware behavior captured by the behavioral shield of the Avast antivirus program for the process of deeper detection of malware. Detection of malicious behavior begins with the analysis and abstraction of patterns from the behavioral graph. Isolated patterns can more effectively identify dynamically changing malware. Behavior graphs are stored in the Neo4j graph database and thousands of them are captured every day. The aim of this work was to design an algorithm to identify the behavior of malicious software with emphasis on tagging speed and uniqueness of identified patterns of behavior. Identification of malicious behavior consists in finding the most important properties of trained classifiers and subsequent extraction of a subgraph consisting only of these important properties of nodes and the relationships between them. Subsequently, a rule for the evaluation of the extracted subgraph is proposed. The diploma thesis took place in cooperation with Avast Software s.r.o.	cs
dc.description.mark	A	cs
dc.identifier.citation	VARGA, A. Identifikace a charakterizace škodlivého chování v grafech chování [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.	cs
dc.identifier.other	133552	cs
dc.identifier.uri	http://hdl.handle.net/11012/196909
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	kybernetická bezpečnosť	en
dc.subject	umelá inteligencia	en
dc.subject	strojové učenie	en
dc.subject	neurónová sieť	en
dc.subject	graf	en
dc.subject	grafová neurónová sieť	en
dc.subject	učenie s učiteľom	en
dc.subject	dátová sada	en
dc.subject	škodlivý softvér	en
dc.subject	detekcia škodlivého softvéru	en
dc.subject	identifikácia škodlivého softvéru	en
dc.subject	vzorec škodlivého správania	en
dc.subject	analýza správania	en
dc.subject	graf správania	en
dc.subject	klasifikácia škodlivého softvéru	en
dc.subject	odtlačok škodlivého softvéru	en
dc.subject	haš	en
dc.subject	rodina škodlivého softvéru	en
dc.subject	kmeň škodlivého softvéru	en
dc.subject	pravidlo	en
dc.subject	dôležitosť vlastností	en
dc.subject	extrakcia podgrafu	en
dc.subject	podobnosť	en
dc.subject	behaviorálny štít	en
dc.subject	cybersecurity	cs
dc.subject	artificial intelligence	cs
dc.subject	machine learning	cs
dc.subject	neural network	cs
dc.subject	graph	cs
dc.subject	graph neural network	cs
dc.subject	supervised learning	cs
dc.subject	dataset	cs
dc.subject	malware	cs
dc.subject	malware detection	cs
dc.subject	identify malware	cs
dc.subject	malicious behavior pattern	cs
dc.subject	behavioral analysis	cs
dc.subject	behavioral graph	cs
dc.subject	malware classification	cs
dc.subject	malware fingerprint	cs
dc.subject	hash	cs
dc.subject	malware family	cs
dc.subject	malware strain	cs
dc.subject	rule	cs
dc.subject	feature importance	cs
dc.subject	subgraph extraction	cs
dc.subject	similarity	cs
dc.subject	behavioral shield	cs
dc.title	Identifikace a charakterizace škodlivého chování v grafech chování	en
dc.title.alternative	Identification and characterization of malicious behavior in behavioral graphs	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2021-06-08	cs
dcterms.modified	2024-05-17-12:52:17	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	133552	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 14:26:41	en
sync.item.modts	2025.01.17 14:48:42	en
thesis.discipline	bez specializace	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikací	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Identifikace a charakterizace škodlivého chování v grafech chování

Files

Original bundle

Collections