MARC

 008260126s2025        us                              c    eng  d
■001000017360267
■00520260202105331
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263324865
■035    ▼a(MiAaPQ)AAI32307950
■035    ▼a(MiAaPQ)GeorgiaTech78717
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005.8
■1001  ▼aAvgetidis,  Athanasios.
■24510▼aTowards  Understanding  the  Lifecycle  of  Malicious  Network  Infrastructure
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a152  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Antonakakis,  Manos;Keromytis,  Angelos.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aNetwork  infrastructure  is  an  important  component  of  malicious  cyber  operations.  From  novice  attacks  conducted  by  script  kiddies  to  highly  sophisticated  threats  backed  by  nationstates,  network  infrastructure  is  being  utilized  for  command  and  control,  data  exfiltration,  malware  hosting,  and  social  engineering,  among  others.  Over  the  years,  while  there  have  been  several  studies  that  have  focused  on  detecting,  blocking,  and  characterizing  malicious  infrastructure,  the  temporal  dynamics  of  how  this  infrastructure  changes  over  time  and  the  characteristics  of  the  stakeholders  interacting  with  it  have  often  been  overlooked.  This  thesis  shows  that  the  temporal  analysis  of  malicious  infrastructure  reveals  network  attributes  that  can  characterize  the  stakeholders  that  interact  with  it.  The  systematic  analysis  of  such  network  attributes  can  aid  the  accurate  discovery  of  previously  unreported  malicious  infrastructure  and  increase  our  awareness  of  the  behaviors  of  the  stakeholders  that  interact  with  it.Through  longitudinal  empirical  studies  and  novel  methodologies,  this  thesis  demonstrates  the  importance  of  accounting  for  the  temporal  dynamics  of  malicious  network  infrastructure.  Specifically,  it  introduces  a  novel  methodology  that  accurately  identifies  historically  utilized  IP  infrastructure  from  domain  names  of  sophisticated  threats,  which  expands  the  publicly  reported  IP  knowledge  by  3.06  times.  It  also  showcases  how  the  temporal  analysis  of  malicious  network  infrastructure  can  help  threat  analysts  and  security  practitioners  better  understand  the  quantitative  distributions  of  the  network  interactions  of  the  stakeholders  (i.e.,  scanners,  security  vendors,  victims,  and  threat  actors).  More  precisely,  this  thesis  pinpoints  the  minimum  network  log  retention  window  for  uncovering  at  least  90%  of  the  infrastructure  of  sophisticated  attacks  down  to  25  months  and  characterizes  for  the  first  time  the  lifecycle  of  network  requests  into  malware-related  domain  names  from  the  upper  DNS  hierarchy.  These  insights  have  applicable  takeaways  for  log  retention  policies  for  network  data  and  victim  and  infrastructure  analysis  studies  using  DNS  datasets.
■590    ▼aSchool  code:  0078.
■650  4▼aMalware
■650  4▼aThreats
■650  4▼aScanners
■650  4▼aCybercrime
■650  4▼aURLs
■650  4▼aCriminology
■690    ▼a0543
■690    ▼a0627
■690    ▼a0501
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360267▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서