Hidden Process Detection using Kernel Functions Instrumentation

yacine Hebbal; Sylvie Laniepce; Jean-Marc Menaud

doi:10.1109/DESEC.2017.8073805

Home
Submit
Browse all HAL
Inria publications
Search
Services
Help
OpenAccess
- Inria supporting open science

Conference papers

Hidden Process Detection using Kernel Functions Instrumentation

yacine Hebbal ¹ Sylvie Laniepce ¹ Jean-Marc Menaud ^{2, 3}

1 Orange Labs R&D [Rennes]

2 IMT Atlantique - DAPI - Département Automatique, Productique et Informatique

3 ASCOLA - Aspect and Composition Languages

Inria Rennes – Bretagne Atlantique , LS2N - Laboratoire des Sciences du Numérique de Nantes

yacine Hebbal ¹
Author

Sylvie Laniepce ¹
Author

Jean-Marc Menaud ^{2, 3}
Author
PersonId : 8266
Employer institution: IMT Atlantique Bretagne-Pays de la LoireIdHAL : jean-marc-menaudIdRef : 156530716

1 Orange Labs R&D [Rennes] (4 rue du Clos Courtel, 35112 Cesson-Sévigné Cedex, France - France) StructId : 121780

France Télécom (France) StructId : 300518

2 IMT Atlantique - DAPI - Département Automatique, Productique et Informatique (IMT Atlantique - Campus de Nantes - La Chantrerie - 4, rue Alfred Kastler - CS 20722 - 44307 NANTES Cedex 3 - France) StructId : 489559

IMT Atlantique - IMT Atlantique Bretagne-Pays de la Loire (Campus Brest : Technopôle Brest-Iroise CS 8381829238 BREST Cedex 3 - Campus Nantes : 4, rue Alfred Kastler- La chantrerie 44300 NANTES - Campus Rennes : 2 Rue de la Châtaigneraie, 35510 CESSON SEVIGNE - France) StructId : 481355
- IMT - Institut Mines-Télécom [Paris] (37-39 Rue Dareau, 75014 Paris - France) StructId : 302102

3 ASCOLA - Aspect and Composition Languages (France) StructId : 481377

Inria Rennes – Bretagne Atlantique (Campus de beaulieu 35042 Rennes cedex - France) StructId : 419153
- Inria - Institut National de Recherche en Informatique et en Automatique (Domaine de Voluceau Rocquencourt - BP 105 78153 Le Chesnay Cedex - France) StructId : 300009
LS2N - Laboratoire des Sciences du Numérique de Nantes (Université de Nantes – faculté des Sciences et Techniques (FST) 2 Chemin de la Houssinière BP 92208, 44322 Nantes Cedex 3 - France) StructId : 473973
- UN UFR ST - Université de Nantes - UFR des Sciences et des Techniques (2, rue de la Houssinière - BP 92208 - 44322 Nantes cedex 3 - France) StructId : 97058
  - UN - Université de Nantes (1, quai de Tourville - BP 13522 - 44035 Nantes cedex 1 - France) StructId : 93263
- ECN - École Centrale de Nantes (1 rue de la Noë - BP 92101 - 44321 Nantes cedex 3 - France) StructId : 111023
- CNRS - Centre National de la Recherche Scientifique : UMR6004 (France) StructId : 441569
- IMT Atlantique - IMT Atlantique Bretagne-Pays de la Loire (Campus Brest : Technopôle Brest-Iroise CS 8381829238 BREST Cedex 3 - Campus Nantes : 4, rue Alfred Kastler- La chantrerie 44300 NANTES - Campus Rennes : 2 Rue de la Châtaigneraie, 35510 CESSON SEVIGNE - France) StructId : 481355
  - IMT - Institut Mines-Télécom [Paris] (37-39 Rue Dareau, 75014 Paris - France) StructId : 302102

Document type :

Conference papers

Domain :

Computer Science [cs] / Operating Systems [cs.OS]

Computer Science [cs] / Cryptography and Security [cs.CR]

Complete list of metadata

https://hal.inria.fr/hal-01520864
Contributor : Jean-Marc Menaud Connect in order to contact the contributor
Submitted on : Thursday, May 11, 2017 - 10:32:10 AM
Last modification on : Monday, June 27, 2022 - 3:05:36 AM

Identifiers

HAL Id : hal-01520864, version 1
DOI : 10.1109/DESEC.2017.8073805

Collections

Citation

yacine Hebbal, Sylvie Laniepce, Jean-Marc Menaud. Hidden Process Detection using Kernel Functions Instrumentation. DSC 2017 : IEEE Conference on Dependable and Secure Computing, Aug 2017, Taiwan, Taiwan. ⟨10.1109/DESEC.2017.8073805⟩. ⟨hal-01520864⟩

Hidden Process Detection using Kernel Functions Instrumentation

Identifiers

Collections

Citation

Export

Metrics

291

Contact Legal Notice Personal Data

Hidden Process Detection using Kernel Functions Instrumentation

Identifiers

Collections

Citation

Export

Share

Metrics

291

Contact Legal Notice Personal Data