Αξιολόγηση χαρακτηριστικών στατικής ανάλυσης για ανίχνευση κακόβουλου λογισμικού με μηχανική μάθηση
Loading...
Files
Date
2026-02-24
Authors
Θεοδοσιάδης, Γεράσιμος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα Διπλωματική Εργασία εστιάζει στην αξιολόγηση χαρακτηριστικών στατικής ανάλυσης για την ανίχνευση κακόβουλου λογισμικού με τη χρήση τεχνικών μηχανικής μάθησης, αξιοποιώντας το σύνολο δεδομένων EMBER2024. Στόχος της εργασίαςείναι η διερεύνηση της συνεισφοράς διαφορετικών ομάδων χαρακτηριστικών στη διαδικασία ταξινόμησης, καθώς και η συγκριτική μελέτη των αλγορίθμων Random Forest και LightGBM σε αρχεία τύπου Win64, .NET και APK. Για τον σκοπό αυτό, χρησιμοποιούνται τα στατικά χαρακτηριστικά του EMBER2024, τα οποία είναι οργανωμένα σε επιμέρους ομάδες.Ακολουθεί εκπαίδευση και αξιολόγηση των μοντέλων μηχανικής μάθησης LightGBM και
Random Forest τόσο στο πλήρες σύνολο χαρακτηριστικών όσο και σε επιμέρους ομάδες. Η αξιολόγηση βασίζεται σε καθιερωμένες μετρικές απόδοσης και λαμβάνεται υπόψη και το υπολογιστικό κόστος των μοντέλων.
Description
Keywords
Κακόβουλο λογισμικό, Χαρακτηριστικά στατιστικής ανάλυσης, Μηχανική μάθηση