論文の概要: Towards Deep Federated Defenses Against Malware in Cloud Ecosystems
- arxiv url: http://arxiv.org/abs/1912.12370v1
- Date: Fri, 27 Dec 2019 23:46:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 22:59:18.680724
- Title: Towards Deep Federated Defenses Against Malware in Cloud Ecosystems
- Title（参考訳）: クラウドエコシステムにおけるマルウェア対策の深化に向けて
- Authors: Josh Payne and Ashish Kundu
- Abstract要約: 多くの仮想マシン、コンテナ、その他のシステムを持つクラウドコンピューティング環境では、マルウェアの流行がビジネスプロセスを脅かす可能性がある。
本稿では,グラフ,ハイパーグラフ,自然言語における機械学習の最近の進歩を利用して,マルウェアの検出と解析を行う階層的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.24366811507669117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In cloud computing environments with many virtual machines, containers, and
other systems, an epidemic of malware can be highly threatening to business
processes. In this vision paper, we introduce a hierarchical approach to
performing malware detection and analysis using several recent advances in
machine learning on graphs, hypergraphs, and natural language. We analyze
individual systems and their logs, inspecting and understanding their behavior
with attentional sequence models. Given a feature representation of each
system's logs using this procedure, we construct an attributed network of the
cloud with systems and other components as vertices and propose an analysis of
malware with inductive graph and hypergraph learning models. With this
foundation, we consider the multicloud case, in which multiple clouds with
differing privacy requirements cooperate against the spread of malware,
proposing the use of federated learning to perform inference and training while
preserving privacy. Finally, we discuss several open problems that remain in
defending cloud computing environments against malware related to designing
robust ecosystems, identifying cloud-specific optimization problems for
response strategy, action spaces for malware containment and eradication, and
developing priors and transfer learning tasks for machine learning models in
this area.
- Abstract（参考訳）: 多くの仮想マシン、コンテナ、その他のシステムを持つクラウドコンピューティング環境では、マルウェアの流行がビジネスプロセスを脅かす可能性がある。
本稿では,グラフ,ハイパーグラフ,自然言語における機械学習の最近の進歩を利用して,マルウェアの検出と解析を行う階層的アプローチを提案する。
個々のシステムとそのログを分析し,注意系列モデルを用いてその動作を検査し,理解する。
本手法を用いて各システムログの特徴表現を行い,システムや他のコンポーネントを頂点としてクラウドの属性ネットワークを構築し,インダクティブグラフとハイパーグラフ学習モデルを用いたマルウェアの解析を提案する。
この基盤では,プライバシ要件が異なる複数のクラウドがマルウェアの拡散に対して協力し,プライバシを維持しながら推論やトレーニングを行うための連合学習の利用を提案するマルチクラウドケースを検討する。
最後に、ロバストなエコシステムの設計、応答戦略のためのクラウド固有の最適化問題、マルウェアの封じ込めと根絶のためのアクションスペースの特定、この分野における機械学習モデルの事前および移行学習タスクの開発に関連する、クラウドコンピューティング環境の防御に残るいくつかのオープンな問題について議論する。
関連論文リスト
- How to integrate cloud service, data analytic and machine learning technique to reduce cyber risks associated with the modern cloud based infrastructure [0.0]
クラウド技術、機械学習、データ可視化技術を組み合わせることで、ハイブリッドエンタープライズネットワークは大量のデータを保持できる。
従来のセキュリティ技術は、クラウドプラットフォームの急速なデータ爆発に対処できない。
機械学習を利用したセキュリティソリューションとデータ可視化技術は、セキュリティ脅威の検出、データ漏洩、ソフトウェア脆弱性の自動検出において、重要な役割を担っている。
論文 参考訳（メタデータ） (2024-05-19T16:10:03Z) - Mitigating Object Dependencies: Improving Point Cloud Self-Supervised Learning through Object Exchange [50.45953583802282]
我々は,ポイントクラウドシーン理解のための新たな自己教師型学習(SSL)戦略を導入する。
このアプローチでは、オブジェクトパターンとコンテキストキューの両方を活用して、堅牢な機能を生成します。
提案手法は既存のSSL技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-11T06:39:53Z) - An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。
我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
論文 参考訳（メタデータ） (2023-12-21T11:07:51Z) - Discovering Malicious Signatures in Software from Structural
Interactions [7.06449725392051]
本稿では,ディープラーニング,数学的手法,ネットワーク科学を活用する新しいマルウェア検出手法を提案する。
提案手法は静的および動的解析に焦点をあて,LLVM(Lower-Level Virtual Machine)を用いて複雑なネットワーク内のアプリケーションをプロファイリングする。
弊社のアプローチは、マルウェアの検出を大幅に改善し、より正確で効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2023-12-19T23:42:20Z) - Nebula: Self-Attention for Dynamic Malware Analysis [14.710331873072146]
我々は、多様な行動表現とフォーマットをまたいで一般化する、汎用的で自己注意型トランスフォーマーベースのニューラルアーキテクチャであるNebulaを紹介する。
我々は,異なる動的解析プラットフォームから取得した3つのデータセットを用いて,マルウェア検出と分類作業の両方について実験を行った。
自己教師付き学習事前学習は、トレーニングデータの20%しか持たない完全教師付きモデルの性能とどのように一致しているかを示す。
論文 参考訳（メタデータ） (2023-09-19T09:24:36Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳（メタデータ） (2023-07-10T04:30:23Z) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Analyzing Machine Learning Approaches for Online Malware Detection in
Cloud [0.0]
プロセスレベルのパフォーマンス指標に基づいてオンラインマルウェア検出を行い、異なる機械学習モデルの有効性を解析する。
我々の分析では、ニューラルネットワークモデルは、クラウド上の仮想マシンのプロセスレベル機能に最も正確なマルウェアを検出できると結論付けている。
論文 参考訳（メタデータ） (2021-05-19T17:28:12Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳（メタデータ） (2021-03-18T13:04:21Z) - Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks,
and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。
様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文 参考訳（メタデータ） (2020-12-18T22:38:47Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。