A comparison of detecting malware effectiveness using data mining techniques

Abstract

This research is intended to present an effective comparison of malware detection models for adware. There are 3 models including Support Vector Machine, Naive Bayes and k-Nearest Neighbor. The data used in the research is the adware malware information from the website Malwaredomainlist (MDL) 1 which are collected between year 2009 to 2017 from 2311 domains. The collected incidents on the Internet Browser are the Trojan, Worm, Spyware, virus. The results show that the Support Vector Machine is 95.41 percent accurate, the Naive Bayes is91.22 percent accurate and the k-Nearest Neighbor is 92.98 percent accurate.

งานวิจัยนี้มีวัตถุประสงค์เพื่อนำเสนอการเปรียบเทียบประสิทธิภาพในการตรวจจับมัลแวร์ประเภทแอดแวร์ (adware) โดยใช้ 3 แบบจำลองอันได้แก่ ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machine) นาอีฟเบย์ (Naive Bayes) และเพื่อนบ้านใกล้สุด K ตัว (k-Nearest Neighbor) ข้อมูลที่ใช้ในการวิจัยเป็นข้อมูลจากเว็บไซต์ Malwaredomainlist (MDL) ปี ค.ศ. 2009 ถึง 2017 จำนวน 2,311 โดเมน ที่เกิดขึ้นบน Internet Browser ประกอบด้วย Worm, Trojan, Spyware และ virus ซึ่งผลลัพธ์จากการทดลองพบว่า ซัพพอร์ตเวกเตอร์แมชชีน มีความถูกต้อง 95.41% นาอีฟเบย์ มีความถูกต้อง 91.22% และเพื่อนบ้านใกล้สุด K ตัว มีความถูกต้องที่ 92.98% ตามลำดับ