Исследование встроенных средств защиты информации Unix-систем на примере заражения вредоносным программным обеспечением

Авторы и правообладатели:

• Никрошкин И. В. , Новосибирский государственный технический университет (Новосибирск, Россия)
• Медведев М. А. , Новосибирский государственный технический университет (Новосибирск, Россия)
• Огнев И. А. , Новосибирский государственный технический университет (Новосибирск, Россия)
• Красников А. Д. , Новосибирский государственный технический университет (Новосибирск, Россия)

• 1. Maniriho P. API-MalDetect: Automated malware detection framework for windows based on API calls and deep learning techniques / P. Maniriho, A.N. Mahmood, M.J.M. Chowdhury // Journal of Network and Computer Applications. – Amsterdam: Elsevier Ltd., 2023. – Р. 1–18.
• 2. Jing C. Ensemble dynamic behavior detection method for adversarial malware / C. Jing, Y. Wu, C. Cui // Future Gener. Comput. Syst. – 2022. – No. 130. – Р. 193–206.
• 3. Maniriho P. A study on malicious software behavior analysis and detection techniques: Taxonomy, current trends and challenges / P. Maniriho, A.N. Mahmood, M.J.M. Chowdhury // Future Gener. Comput. Syst. – 2022. – No. 130. – Р. 1–18.
• 4. Лабутин Н.Г. Предотвращение проникновения вирусов-шифровальщиков в корпоративные информационные системы // Современные тенденции развития науки и технологий. – Белгород: ООО «Агентство перспективных научных исследований», 2017. – С. 113–115.
• 5. Байздренко Е.А. Информационные угрозы для малого бизнеса: вирусы-шифровальщики // Актуальные вопросы учета и управления в условиях информационной экономики. – Севастополь: ООО «Рибест», 2018. – С. 270–274.
• 6. Путивльская И.Ю. Анализ рынка вирусов шифровальщиков / И.Ю. Путивльская, А.О. Ткач // Наука и образование: отечественный и зарубежный опыт. – Белгород: ООО «ГиК», 2018. – С. 37–41.
• 7. Тепловодских А.Д. Аспекты защиты от вирусов-шифровальщиков / А.Д. Тепловодских, С.С. Зотов // Аллея науки. – 2017. – № 12. – С. 367–371.
• 8. Долматов М.П. Вирусы-шифровальщики / М.П. Долматов, К.А. Ярмош, В.Л. Склярук // Современные проблемы радиоэлектроники и телекоммуникаций. – 2018. – № 1. – С. 209.
• 9. Begovic K. Cryptographic ransomware encryption detection: Survey / K. Begovic, A. Al–Ali, Q. Malluhi // Computers & Security. – 2023. – № 132. – Р. 1–16.
• 10. Berrueta E. Survey on Detection Techniques for Cryptographic Ransomware / E. Berrueta, D. Morato, E. Magana, M.A. Izal // IEEE Access. – 2016. – № 7. – Р. 1–21.
• 11. Su D. Detecting Android locker–ransomware on Chinese social networks / D. Su, J. Liu, X. Wang, W. Wang // IEEE Access. – 2017. – Р. 20381–20393 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/329769980_Detecting_Android_Locker-Ransomware_on_Chinese_Social_Networks (дата обращения: 12.10.2023).
• 12. Murali R. Evolving malware variants as antigens for antivirus systems / R. Murali, P. Thangavel, C.Sh. Velayutham // Expert Systems with Applications. – 2023. – № 226. – Р. 1–15.
• 13. Dwan B. The computer virus – From there to here: An historical perspective // Computer Fraud & Security. – 2000. – № 12. – Р. 13–16.
• 14. Mawgoud A.A. A malware obfuscation AI technique to evade antivirus detection in counter forensic domain Enabling AI applications in data science / A.A. Mawgoud, H.M. Rady, B.S. Tawfik // Springer. – 2021. – Р. 597–615 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/344349230_A_Malware_Obfuscation_AI_Technique_to_Evade_Antivirus_Detection_in_Counter_Forensic_Domain (дата обращения: 12.10.2023).
• 15. The 2023 Global Ransomware Report [Электронный ресурс]. – Режим доступа: https://www.fortinet.com/content/dam/fortinet/assets/reports/report-2023-ransomware-global-research.pdf (дата обращения: 08.09.2023).
• 16. 2023 Mid-year cyber security report: report reveals 48 ransomware groups have breached over 2,200 victims [Электронный ресурс]. – Режим доступа: https://research.checkpoint.com/2023/2023-mid-year-cyber-security-report-report-reveals-48-ransomware-groups-have-breached-over-2200-victims/ (дата обращения: 08.09.2023).
• 17. Аналитический отчёт: техники, тактики и процедуры (TTPs) группировок шифровальщиков [Электронный ресурс]. – Режим доступа: https://go.kaspersky.com/rs/802-IJN-240/images/Report_Common%20TTPs%20of%20modern%20ransomware.pdf (дата обращения: 08.09.2023).
• 18. Cybersecurity threatscape: Q1 2023 [Электронный ресурс]. – Режим доступа: https://www.ptsecurity.com/ww-en/analytics/cybersecurity-threatscape-2023-q1/ (дата обращения: 08.09.2023).
• 19. Protecting your business against ransomware attacks? Explaining the motivations of entrepreneurs to take future protective measures against cybercrimes using an extended protection motivation theory model / L. Bekkers, S. van 't Hoff-de Goede, E. Misana-ter Huurne, Y. van Houten, R. Spithoven, E.R. Leukfeldt // Computers & Security. – 2023. – № 127. – Р. 1–12.
• 20. Johns E. Cyber Security Breaches Survey 2021: Statistical Release. – 1 изд. – London: Department for Digital, Culture, Media and Sport. – 2021. – 66 р.
• 21. Rohn E. Explaining small business InfoSec posture using social theories / E. Rohn, G. Sabari, G. Leshem // Inform. Comput. Secur. – 2016. – No. 24 (5). – P. 434–556.
• 22. Osborn E. Risk and the small-scale cyber security decision making dialogue – a UK case study / E. Osborn, A. Simpson // Comput. J. – 2018. – No. 61 (4). – P. 472–495.
• 23. Van der Kleij R. Cyber resilient behavior: integrating human behavioral models and resilience engineering capabilities into cyber security / R. Van der Kleij, R. Leukfeldt // International Conference on Applied Human Factors and Ergonomics. – 2019. – P. 16–27 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/333645550_Cyber_Resilient_Behavior_Integrating_Human_Behavioral_Models_and_Resilience_Engineering_Capabilities_into_Cyber_Security (дата обращения: 12.10.2023)
• 24. Vashishtha L.K. An Ensemble approach for advance malware memory analysis using Image classification techniques / L.K. Vashishtha, K. Chatterjee, S.S. Rout // Journal of Information Security and Applications. – 2023. – No. 77. – P. 1–14.
• 25. Bozkir A.S. Utilization and comparision of convolutional neural networks in malware recognition / A.S. Bozkir, A.O. Cankaya, M. Aydos // 27th signal processing and communications applications conference. – 2019. – P. 1–4.
• 26. MaleVis dataset home page [Электронный ресурс]. – Режим доступа: https://web.cs.hacettepe.edu.tr/~selman/malevis/ (дата обращения: 12.10.2023).
• 27. A forensic analysis of android malware-how is malware written and how it could be detected? / K. Allix, Q. Jérome, T.F. Bissyandé, J. Klein, R. State, Y. Le Traon // IEEE 38th annual computer software and applications conference. – 2014. – P. 384–393.
• 28. Rathnayaka C. An efficient approach for advanced malware analysis using memory forensic technique / C. Rathnayaka, A. Jamdagni // IEEE Trustcom/BigDataSE/ICESS. – 2017. – P. 1145–1150.
• 29. Volatile memory analysis using the MinHash method for efficient and secured detection of malware in private cloud / N. Nissim, O. Lahav, A. Cohen, Y. Elovici, L. Rokach // Computers & Security. – 2019. – No. 87. – P. 1–20.