Fugu-MT 論文翻訳(概要): Analyzing CNN Based Behavioural Malware Detection Techniques on Cloud IaaS

論文の概要: Analyzing CNN Based Behavioural Malware Detection Techniques on Cloud IaaS

arxiv url: http://arxiv.org/abs/2002.06383v1
Date: Sat, 15 Feb 2020 14:04:33 GMT
ステータス: 処理完了
システム内更新日: 2022-12-31 23:12:06.073735
Title: Analyzing CNN Based Behavioural Malware Detection Techniques on Cloud IaaS
Title（参考訳）: クラウドIaaS上でのCNNに基づく行動マルウェア検出手法の解析
Authors: Andrew McDole and Mahmoud Abdelsalam and Maanak Gupta and Sudip Mittal
Abstract要約: クラウドインフラストラクチャ・アズ・ア・サービス(I)は、外部の敵に露出するため、マルウェアに対して脆弱である。本稿では,クラウドIにおけるマルウェアのオンライン検出のために,さまざまな畳み込みニューラルネットワーク(CNN)を解析・比較する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cloud Infrastructure as a Service (IaaS) is vulnerable to malware due to its exposure to external adversaries, making it a lucrative attack vector for malicious actors. A datacenter infected with malware can cause data loss and/or major disruptions to service for its users. This paper analyzes and compares various Convolutional Neural Networks (CNNs) for online detection of malware in cloud IaaS. The detection is performed based on behavioural data using process level performance metrics including cpu usage, memory usage, disk usage etc. We have used the state of the art DenseNets and ResNets in effectively detecting malware in online cloud system. CNN are designed to extract features from data gathered from a live malware running on a real cloud environment. Experiments are performed on OpenStack (a cloud IaaS software) testbed designed to replicate a typical 3-tier web architecture. Comparative analysis is performed for different metrics for different CNN models used in this research.
Abstract（参考訳）: クラウドインフラストラクチャ・アズ・ア・サービス(IaaS)は、外部の敵に晒されているため、マルウェアに弱いため、悪意のあるアクターにとって有利な攻撃ベクターとなる。マルウェアに感染したデータセンターは、データ損失やユーザへのサービス障害を引き起こす可能性がある。本稿では,クラウドIaaSにおけるマルウェアのオンライン検出のために,さまざまな畳み込みニューラルネットワーク(CNN)を解析・比較する。検出は、cpu使用量、メモリ使用量、ディスク使用量などのプロセスレベルのパフォーマンス指標を使用して、動作データに基づいて行われる。我々はDenseNetsとResNetsの最先端をオンラインクラウドシステムにおけるマルウェアの効果的な検出に利用した。 CNNは、実際のクラウド環境で動作するライブマルウェアから収集されたデータから機能を抽出するように設計されている。実験はopenstack(クラウドiaasソフトウェア)のテストベッドで行われ、典型的な3層webアーキテクチャを再現するように設計されている。本研究で使用するcnnモデルの異なる指標について比較分析を行う。

関連論文リスト

MatchNAS: Optimizing Edge AI in Sparse-Label Data Contexts via Automating Deep Neural Network Porting for Mobile Deployment [54.77943671991863]
MatchNASはDeep Neural Networksをモバイルデバイスに移植するための新しいスキームである。ラベル付きデータと非ラベル付きデータの両方を用いて、大規模なネットワークファミリを最適化する。そして、さまざまなハードウェアプラットフォーム用に調整されたネットワークを自動的に検索する。
論文参考訳（メタデータ） (2024-02-21T04:43:12Z)
DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文参考訳（メタデータ） (2023-03-20T17:25:22Z)
New Approach to Malware Detection Using Optimized Convolutional Neural Network [0.0]
本稿では,マルウェアを高精度で高精度かつ効率的に検出する,新しい畳み込み型ディープラーニングニューラルネットワークを提案する。ベースラインモデルは当初98%の精度を達成していたが、CNNモデルの深度を高めた後、99.183まで精度が向上した。このCNNモデルの有効性をさらに高めるため、改良されたモデルを用いて、データセット内の新しいマルウェアサンプルの予測を行う。
論文参考訳（メタデータ） (2023-01-26T15:06:47Z)
Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文参考訳（メタデータ） (2022-02-28T07:46:05Z)
A Survey of Machine Learning Algorithms for Detecting Malware in IoT Firmware [0.0]
本稿では、IoTファームウェアの分類に機械学習アルゴリズムを多数使用し、最高のパフォーマンスモデルについて報告する。 ConvolutionalやFully Connected Neural Networksといったディープラーニングアプローチも検討されている。
論文参考訳（メタデータ） (2021-11-03T17:55:51Z)
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)
BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文参考訳（メタデータ） (2021-03-14T20:43:19Z)
Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
論文参考訳（メタデータ） (2021-02-03T04:24:34Z)
Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
論文参考訳（メタデータ） (2020-10-30T15:27:44Z)
Classifying Malware Images with Convolutional Neural Network Models [2.363388546004777]
本稿では,静的マルウェア分類にいくつかの畳み込みニューラルネットワーク(CNN)モデルを用いる。インセプションV3モデルは99.24%の精度を達成しており、現在の最先端システムによって達成される98.52%の精度よりも優れている。
論文参考訳（メタデータ） (2020-10-30T07:39:30Z)
Detecting malicious PDF using CNN [46.86114958340962]
悪意のあるPDFファイルは、コンピュータセキュリティに対する最大の脅威の1つだ。本稿では,ファイルのバイトレベルにおける畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた新しいアルゴリズムを提案する。オンラインでダウンロード可能な90000ファイルのデータセットを用いて,本手法はPDFマルウェアの高検出率(94%)を維持していることを示す。
論文参考訳（メタデータ） (2020-07-24T18:27:45Z)

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。