Sandbox as a Service: automatizando a configuracão do Cuckoo Sandbox e a geração de dados para análise de malware

• Guilherme V. Figueiredo UFU
• Renan G. Cattelan UFU
• Rodrigo S. Miani UFU

DOI: https://doi.org/10.5753/sbseg_estendido.2022.224360

Resumo

Este trabalho busca criar uma plataforma unificada de análise dinâmica e estática de malware, na qual diversos pesquisadores possam gerar conjuntos de dados para utilização em suas pesquisas. Propõe-se que a geração de tais conjuntos seja flexível o suficiente para abranger as diversas áreas de pesquisa de malware, permitindo escolher entre os campos obtidos a partir da fase de análise, que poderão ser incluídos ou não no conjunto de dados resultante. Através de extensões nas funcionalidades da plataforma Cuckoo Sandbox, foram implementadas novas funcionalidades, permitindo o download em lote dos relatórios gerados em formato CSV, mais adequado para algoritmos de aprendizado de máquina.

Referências

Borges, M., Labaki, A., Cattelan, R., and Miani, R. (2021). Construção de um conjunto de dados para análise estatística de ransomwares. In Anais Estendidos do XVII Simpósio Brasileiro de Sistemas de Informação, pages 41–44.

Catak, F., Yazi, A., Elezaj, O., and Ahmed, J. (2020). Deep learning based Sequential model for malware analysis using Windows exe API Calls. PeerJ Computer Science, 6:e285.

Cuckoo Foundation (2010). What is cuckoo? https://cuckoo.readthedocs.io/en/latest/introduction/what. Acesso em: 16/05/2022.

Ehteshamifar, S., Barresi, A., Gross, T. R., and Pradel, M. (2019). Easy to fool: testing the anti-evasion capabilities of pdf malware scanners. ArXiv, abs/1901.05674.

Ferrand, O. (2015). How to detect the cuckoo sandbox and to strengthen it? Journal of Computer Virology and Hacking Techniques, 11:51–58.

Gibert, D., Mateu, C., and Planes, J. (2020). The rise of machine learning for detection and classification of malware: Research developments, trends and challenges. Journal of Network and Computer Applications, 153:102526.

Guibernau, F. (2020). Catch me if you can! - detecting sandbox evasion techniques. USENIX Association.

Miller, C., Glendowne, D., Cook, H., Thomas, D., Lanclos, C., and Pape, P. (2017). Insights gained from constructing a large scale dynamic analysis platform. Digit. Investig., 22(S):S48–S56.

Sethi, K., Chaudhary, S. K., Tripathy, B. K., and Bera, P. (2018). A novel malware analysis framework for malware detection and classification using machine learning approach. In Proceedings of the 19th International Conference on Distributed Computing and Networking, pages 1–4.

Yusirwan, S., Prayudi, Y., and Riadi, I. (2015). Implementation of malware analysis using static and dynamic analysis method. Int. J. Comput. Appl., 117:11–15.