Projektbeschreibung
Idee & Motivation
MAL2 (MAchine Learning detection of MALicious content) beabsichtigt Deep Neural Networks und Unsupervised Learning zur automatisierten Detektion von a) betrügerischen Fake-Shops und b) schädlichen Android Apps (PHAs) einzusetzen und somit zur Verbesserung der Cyberkriminalitätsprävention beizutragen. Online-Shopping ist alltäglich geworden, bereits 61,6% der Österreicher nutzen diese Form des Einkaufens. Kunden durch betrügerische Online Shops ‚abzuzocken‘ ist ein rasant wachsendes Cyberkriminalitätsdelikt. Betrügerische Online-Shops zu entlarven ist eine zeitintensive Aufgabe und erfordert vor allem großen manuellen Aufwand, da oft Dutzende oder mehr dieser Kopien gleichzeitig existieren. Jede Woche werden über 150 neue gefälschte Online-Shops zur manuellen Verifizierung eingereicht. MAL2 erarbeitet eine Lösung zur Klassifizierung von Fake-Shops auf Basis von strukturellen Ähnlichkeitsmerkmalen und ermöglicht somit Cybersquatting durch Machine Learning zu erkennen.
Ziel & Umsetzung
Ziel des MAL2 Projekts ist es, ein künstliches neuronales Netz zu trainieren, und die Möglichkeiten der Erkennung aufkommender Angriffsmuster und deren Nachvollziehbarkeit zu evaluieren. Die Umsetzung dieses Ziels erfolgt (i) durch die Entwicklung eines Open-Source-Framework, welches funktionelle Unterstützung in der Datenextraktion, Featureerstellung, dem Training der NNs sowie Analyse der Ergebnisse ermöglicht (ii) eine performante Ausführung der Komponenten auf Hadoop und GPU-Clustern ermöglicht und (iii) sowie die Veröffentlichung von Referenzdatensätze, extrahierten Features sowie trainierte NNs in beiden Anwendungsdomänen.
Ergebnisse & Publikation
Die Projektergebnisse werden auf Watchlist-Internet, in Form von Demonstratoren die eine Live-Detektion und Risikoabschätzung von Apps und Online-Shops ermöglichen, veröffentlicht und trägt unter anderem zu einer gesteigerten Bewusstseinsbildung für Maßnahmen zur Cyberkriminalitätsprävention und Sensibilisierung bei.