| Titre : | Automation in cybersecurity : deep learning-based approaches for malware family identification |
| Auteurs : | Chaimaa Abi, Auteur ; Sid-Ahmed Berrani, Directeur de thèse ; Abdelouahab Boudjellal, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | [S.l.] : [s.n.], 2023 |
| Format : | 1 fichier PDF (3.9 Mo) / ill. |
| Note générale : |
Mode d'accès : accès au texte intégral par intranet
Mémoire de Projet de Fin d’Etudes : Génie Industriel. Data Science-Intelligence Artificielle : Alger, Ecole Nationale Polytechnique : 2023 Bibliogr. P. 65 - 68 |
| Langues : | Anglais |
| Index. décimale : | PI02623 |
| Tags : | Deep learning Feature extraction Malware analysis Malware classification Malware visualization Multimodal |
| Résumé : | The rapid proliferation of malware presents a significant threat to computer systems and data security. The ability to detect and accurately classify malware is crucial for mitigating cyber threats and preventing potential damages. However, traditional methods for malware classification and analysis have shown some limitations in keeping pace with the with the ever-changing landscape of malware. In this thesis, we propose a novel approach that harnesses the power of machine and deep learning techniques for efficient malware classification and offers real-time and automated data-driven solution, enabling proactive measures to efficiently prevent and mitigate cyber threats. |
Exemplaires (1)
| Cote | Support | Localisation | Section | Disponibilité | Spécialité | Etat_Exemplaire |
|---|---|---|---|---|---|---|
| PI02623 | Ressources électroniques | Bibliothèque centrale | Projet Fin d'Etudes | Disponible | Data sciences_Intelligence artificielle | Téléchargeable |
Documents numériques (1)
|
ABI.chaimaa.pdf URL
|
