|
Size: 6156
Comment:
|
Size: 6141
Comment:
|
| Deletions are marked like this. | Additions are marked like this. |
| Line 12: | Line 12: |
| Die Sicherheit im Internet ist grundlegend durch Hackerangriffe und Schadsoftware gefährdet. Vernetzte Rechnersysteme sind einer Vielzahl von Bedrohungen wie Viren, Würmern, Botnetzen und Trojanischen Pferden ausgesetzt. Klassische Werkzeuge der IT-Sicherheit wie Antiviren-Scanner und Firewalls können dieser Bedrohung nur begrenzt entgegenwirken, da sie auf der manuellen Erstellung von Erkennungsmustern beruhen. Techniken des maschinellen Lernens bieten die Möglichkeit Muster automatisch aus Daten zu extrahieren und können somit einen zeitnahen Schutz gewährleisten. | Die Sicherheit im Internet ist grundlegend durch Hackerangriffe und Schadsoftware gefährdet. Rechnersysteme im Internet sind einer Vielzahl von Bedrohungen wie Viren, Würmern, Botnetzen und Trojanischen Pferden ausgesetzt. Herkömmliche Sicherheitswerkzeuge (z.B. Antiviren-Scanner und Firewalls) können dieser Bedrohung nur begrenzt entgegenwirken, da sie auf der manuellen Erstellung von Erkennungsmustern beruhen. Techniken des maschinellen Lernens bieten die Möglichkeit, Muster automatisch aus Daten zu extrahieren und können somit einen zeitnahen Schutz vor Angriffen gewährleisten. |
| Line 14: | Line 14: |
| In diesem Seminar beschäftigen wir uns mit Anwendungen des maschinellen Lernens in der IT-Sicherheit. Die Themen des Seminars umfassen hierbei die automatische Erkennung von Computerangriffen (Intrusion Detection), die Analyse von Schadsoftware (Malware Analysis), die automatische Generierung von Erkennungsmustern (Signature Generation), das Filtern von Spam-Nachrichten (Spam Filtering) und mögliche Angriffe gegen Lernalgorithmen (Mimicry and Evasion). | In diesem Seminar beschäftigen wir uns daher mit Anwendungen des maschinellen Lernens in der IT-Sicherheit. Die Themen des Seminars umfassen hierbei die Erkennung von Computerangriffen (Intrusion Detection), die Analyse von Schadsoftware (Malware Analysis), die Generierung von Erkennungsmustern (Signature Generation), das Filtern von Spamnachrichten (Spam Filtering) und Angriffe gegen Lernalgorithmen (Mimicry and Evasion). |
Seminar: Maschinelles Lernen in der IT-Sicherheit
Termine und Dozenten
Termin |
Vorbesprechung am 27.4.2010 um 14:00 Uhr im Raum FR 6046 |
|
Blockseminar am 29.6.2010 von 10:00 bis 16:00 Uhr im Raum FR 6046 |
Verantwortlich |
|
Themenvergabe |
Email mit Wunschthema schreiben |
Inhalt
Die Sicherheit im Internet ist grundlegend durch Hackerangriffe und Schadsoftware gefährdet. Rechnersysteme im Internet sind einer Vielzahl von Bedrohungen wie Viren, Würmern, Botnetzen und Trojanischen Pferden ausgesetzt. Herkömmliche Sicherheitswerkzeuge (z.B. Antiviren-Scanner und Firewalls) können dieser Bedrohung nur begrenzt entgegenwirken, da sie auf der manuellen Erstellung von Erkennungsmustern beruhen. Techniken des maschinellen Lernens bieten die Möglichkeit, Muster automatisch aus Daten zu extrahieren und können somit einen zeitnahen Schutz vor Angriffen gewährleisten.
In diesem Seminar beschäftigen wir uns daher mit Anwendungen des maschinellen Lernens in der IT-Sicherheit. Die Themen des Seminars umfassen hierbei die Erkennung von Computerangriffen (Intrusion Detection), die Analyse von Schadsoftware (Malware Analysis), die Generierung von Erkennungsmustern (Signature Generation), das Filtern von Spamnachrichten (Spam Filtering) und Angriffe gegen Lernalgorithmen (Mimicry and Evasion).
Ablauf
- Die Vorbesprechung findet am 27.4.2010 statt.
- Die Teilnehmer wählen bis spätestens 11.5.2010 ein Thema in Absprache mit dem Betreuer (siehe Themenliste).
- Die Teilnehmer legen bis spätestens 15.6.2010 einen Entwurf des Vortrages vor und besprechen diesen mit dem Betreuer.
- Das Seminar findet als Blockveranstaltung am 29.6.2010 statt.
Vorträge
Jeder Vortrag soll 35 Minuten (+ 10 Minuten Diskussion) dauern. Der Vortrag kann wahlweise auf Deutsch oder Englisch gehalten werden. Ein guter Vortrag führt kurz in das jeweilige Thema ein, stellt die Problemstellung dar und beschreibt zusammenfassend relevante Arbeiten und Lösungen.
Leistungsnachweis
Die Note wird anhand des Vortrages und der Folien festgelegt. Das Seminar ist Wahlpflichtbestandteil der Master-Module "Maschinelles Lernen 1" und "Maschinelles Lernen 2". Bachelor-Studenten können diese Master-Module auf Antrag ebenfalls belegen.
Themen
Detection of Web-based Attacks
Anomaly Detection of Web-based Attacks.
Kruegel, Vigna. Proceedings of CCS 2003Spectrogram: A Mixture-of-Markov-Chains Model for Anomaly Detection in Web Traffic.
Song, Keromytis, Stolfo. Proceedings of NDSS 2009
Detection of Attacks in Network Content
Detecting Unknown Network Attacks Using Language Models.
Rieck, Laskov. Proceedings of DIMVA 2006Anagram: A Content Anomaly Detector Resistant to Mimicry Attack/anagram-raid2006.pd.
Wang, Parekh, Stolfo. Proceedings of RAID 2006
Analysis of Malicious Program Behavior
Scalable, Behavior-Based Malware Clustering.
Bayer, Comparetti, Hlauscheck, Kruegel, Krida. Proceedings of NDSS 2009Learning and Classification of Malware Behavior.
Rieck, Holz, Willems, Düssel, Laskov. Proceedings of DIMVA 2008
Analysis of Malicious Executables
Learning to Detect and Classify Malicious Executables in the Wild.
Kolter and Maloof. Journal of Machine Learning Research 2006.McBoost: Boosting Scalability in Malware Collection and Analysis Using Statistical Classification of Executables.
Perdisci, Lanzi, Lee. Proceeding of ACSAC 2008
Mimicry and Evasion Attacks
Polymorphic Blending Attacks.
Fogla, Sharif, Perdisci, Kolesnikov, Lee. Proceedings of USENIX SS 2006English Shellcode.
Mason, Small, Monrose, Macmanus. Proceedings of CCS 2009
Automatic Signature Generation
Polygraph: Automatically Generating Signatures for Polymorphic Worms.
Newsome, Karp, Song. Proceedings of IEEE S&P 2005Hamsa: Fast Signature Generation for Zero-day Polymorphic Worms with Provable Attack Resilience.
Li, Sanghi, Chen, Kao, Chavez. Proceedings of IEEE S&P 2006
Attacks against Signature Generation
Limits of Learning-based Signature Generation with Adversaries.
Blum, Song. Proceedings of NDSS 2008Misleading Worm Signature Generators Using Deliberate Noise Injection.
Perdicsi, Dagon, Lee, Fogla, Sharif. Proceedings of IEEE S&P 2006
Spam Filtering
A Bayesian Approach to Filtering Junk E-Mail.
Sahami, Dumais, Heckerman, Horvitz. Proceedings of AAAI Workshop Learning for Text Categorization 1998Support Vector Machines for Spam Categorization.
Drucker, Vu, Vapnik. IEEE Transactions on Neural Networks 1999.