Forseti: Extração de características e classificação de binários ELF

• Lucas Galante Unicamp
• Marcus Botacin UFPR
• André Grégio UFPR
• Paulo de Geus Unicamp

DOI: https://doi.org/10.5753/sbseg_estendido.2019.13998

Resumo

A infecção por códigos maliciosos é uma ameaça constante a múltiplas plataformas computacionais e a classificação de binários utilizando-se de técnicas de aprendizado de máquina tem se mostrado como uma promissora forma de combater tais infecções. Atualmente, a maioria das soluções deste tipo é focada somente na plataforma Windows. De modo a suprir esta lacuna de desenvolvimento, apresentamos Forseti, uma solução de extração de características e classificação de binários ELF para a plataforma Linux.

Referências

Ahmadi, M., Ulyanov, D., Semenov, S., Tromov, M., and Giacinto, G. (2016). Novel feature extraction, selection and fusion for effective malware family classication. In Proceedings of the Sixth ACM Conference on Data and Application Security and Privacy, CODASPY '16, pages 183–194, New York, NY, USA. ACM.

Babaagba, K. O. and Adesanya, S. O. (2019). A study on the effect of feature selection on malware analysis using machine learning. In Proceedings of the 2019 8th International Conference on Educational and Information Technology, ICEIT 2019, pages 51–55, New York, NY, USA. ACM.

BBC (2017). Ransomware attacks around the world grow by 50 http://www.bbc.com/news/technology-39730407.

Botacin, M., Galante, L., Ceschin, F., Santos, P., Carro, L., de Geus, P., Grégio, A., and 14th Zanata, M. (2019a). The av says: Your hardware denitions were updated! International Symposium on Recongurable Communication-centric Systems-on-Chip (ReCoSoC 2019).

Botacin, M., Galante, L., Silva, O., and de Geus, P. (2019b). Introdução à engenharia reversa de aplicações maliciosas em ambientes linux. Minicursos do XIX SBSEG.

Breiman, L. (2001). Random forests. Mach. Learn., 45(1):5–32.

CongParser (2019). Conguration le parser. https://docs.python.org/2/library/configparser.html.

Eliben (2019). Pyelftools. https://github.com/eliben/pyelftools.

Feizollah, A., Anuar, N. B., Salleh, R., and Wahab, A. W. A. (2015). A review on feature selection in mobile malware detection. Digit. Investig., 13(C):22–37.

Galante, L., Botacin, M., Grégio, A., and de Geus, P. (2018). Malicious linux binaries: A landscape. Workshop de Trabalhos de Iniciação Cientíca e Conclusão de Curso de Gradução do XVIII SBSEG.

Galante, L., Botacin, M., Grégio, A., and de Geus, P. (2019). Machine learning for malware detection: Beyond accuracy rates. Workshop de Trabalhos de Iniciação Cientíca e Conclusão de Curso de Gradução do XIX SBSEG.

Kruczkowski, M. and Szynkiewicz, E. N. (2014). Support vector machine for malware analysis and classication. In Proceedings of the 2014 IEEE/WIC/ACM International Joint Conferences on Web Intelligence (WI) and Intelligent Agent Technologies (IAT) - Volume 02, WI-IAT '14, pages 415–420, Washington, DC, USA. IEEE Computer Society.

O'Neill, R. E. (2016). Learning Linux Binary Analysis. Packt Publishing.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Pickle (2019). Pickle. https://docs.python.org/2/library/pickle.html.

Rathbun, T. F. (1997). Autonomous Construction of Multilayer Perceptron Neural Networks. PhD thesis, Air Force Institute of Technology, Wright Patterson AFB, OH, USA. UMI Order No. GAX97-32738.

Wang, L. (2005). Support Vector Machines: Theory and Applications (Studies in Fuzzi- ness and Soft Computing). Springer-Verlag, Berlin, Heidelberg.