Resumen

Con el aumento de la cantidad de datos, la amenaza de malware ha estado creciendo recientemente. Las acciones maliciosas incrustadas en documentos no ejecutables especialmente (por ejemplo, archivos PDF) pueden ser más peligrosas, ya que es difícil detectarlas y la mayoría de los usuarios no son conscientes de este tipo de ataques maliciosos. En este documento, diseñamos una red neuronal convolucional para abordar la detección de malware en los archivos PDF. Recopilamos archivos PDF maliciosos y benignos y etiquetamos manualmente las secuencias de bytes dentro de los archivos. Examinamos intensamente la estructura de los datos de entrada e ilustramos cómo diseñamos la red propuesta en base a las características de los datos. La red propuesta está diseñada para interpretar patrones de alto nivel entre pistas espaciales coleccionables, prediciendo así si la secuencia de bytes dada tiene acciones maliciosas o no. A través de resultados experimentales, demostramos que la red propuesta supera a varios modelos representativos de aprendizaje automático, así como a otras redes con diferentes configuraciones.

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Aumento de la cantidad de datos; Amenaza de programas maliciosos; Archivos PDF; Red neuronal convolucional; Ataques maliciosos; Secuencias de bytes
• Keywords:Increasing amount of data; Threat of malware; PDF files; Convolutional neural network; Malicious attacks; Byte sequences