Malware Detection Using Visualization Techniques

Abstract

Techniky strojového učení (ML) jsou v poslední době velmi populární v mnoha oblastech, včetně zpracování přirozeného jazyka, rozpoznávání hlasu/obrazu atd. Cílem této diplomové práce je vytvořit techniku detekce malwaru pomocí vizualizace obrazu. Jako způsob získávání informací z převedených vzorků malwaru byla zvolena klasifikace pomocí detekce konvoluční neuronové sítě (CNN). Vzorek malwaru reprezentovaný jako bajtové pole je nejprve převeden na obrázek ve stupních šedi nebo RGB a poté přiveden jako vstup do CNN.

Recently machine learning (ML) techniques become very popular in many areas, including natural language processing, voice/image recognition, etc. The goal of this master thesis is to create a technique of malware detection by using image visualization. As a method of gaining information from converted malware samples classification using Convolutional Neural Network (CNN) detection was chosen. The malware sample represented as byte array is first converted to gray-scale or RGB image and then fed as input to CNN.