Revista: | Iteckne |
Base de datos: | PERIÓDICA |
Número de sistema: | 000446154 |
ISSN: | 1692-1798 |
Autores: | Useche Peláez, David Esteban1 Sepúlveda Alzate, Daniela1 Díaz López, Daniel Orlando1 Cabuya Padilla, Diego Edison2 |
Instituciones: | 1Escuela Colombiana de Ingeniería Julio Garavito, Bogotá. Colombia 2Comando Conjunto Cibernético, Bogotá. Colombia |
Año: | 2018 |
Periodo: | Jul-Dic |
Volumen: | 15 |
Número: | 2 |
Paginación: | 107-121 |
País: | Colombia |
Idioma: | Inglés |
Tipo de documento: | Artículo |
Enfoque: | Aplicado, descriptivo |
Resumen en español | El sandboxing ha sido usado de manera regular para analizar muestras de software y determinar si estas contienen propiedades o comportamientos sospechosos. A pesar de que el sandboxing es una técnica poderosa para desarrollar análisis de malware, esta requiere que un analista de malware desarrolle un análisis riguroso de los resultados para determinar la naturaleza de la muestra: goodware o malware. Este artículo propone dos modelos de aprendizaje automáticos capaces de clasificar muestras con base a un análisis de firmas o permisos extraídos por medio de Cuckoo sandbox, Androguard y VirusTotal. En este artículo también se presenta una propuesta de arquitectura de centinela IoT que protege dispositivos IoT, usando uno de los modelos de aprendizaje automáticos desarrollados anteriormente. Finalmente, diferentes enfoques y perspectivas acerca del uso de sandboxing y aprendizaje automático por parte de agencias de seguridad del Estado también son aportados |
Resumen en inglés | Sandboxing has been used regularly to analyze software samples and determine if these contain suspicious properties or behaviors. Even if sandboxing is a powerful technique to perform malware analysis, it requires that a malware analyst performs a rigorous analysis of the results to determine the nature of the sample: goodware or malware. This paper proposes two machine learning models able to classify samples based on signatures and permissions obtained through Cuckoo sandbox, Androguard and VirusTotal. The developed models are also tested obtaining an acceptable percentage of correctly classified samples, being in this way useful tools for a malware analyst. A proposal of architecture for an IoT sentinel that uses one of the developed machine learning model is also showed. Finally, different approaches, perspectives, and challenges about the use of sandboxing and machine learning by security teams in State security agencies are also shared |
Disciplinas: | Ciencias de la computación |
Palabras clave: | Software, Seguridad en cómputo, Malware, Ciencia de datos, Aprendizaje de máquina |
Keyword: | Software, Computing security, Malware, Data science, Machine learning |
Texto completo: | Texto completo (Ver HTML) Texto completo (Ver PDF) |