論文の概要: Ransomware in Windows and Android Platforms
- arxiv url: http://arxiv.org/abs/2005.05571v1
- Date: Tue, 12 May 2020 06:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-20 11:59:24.495497
- Title: Ransomware in Windows and Android Platforms
- Title(参考訳): WindowsとAndroidプラットフォームのランサムウェア
- Authors: Abdulrahman Alzahrani, Ali Alshehri, Hani Alshahrani, Huirong Fu
- Abstract要約: 本稿では,ランサムウェア攻撃の包括的概要と,WindowsとAndroidの両プラットフォームにおける既存の検出・防止技術の概要について述べる。
ユーザとシステム管理者にレコメンデーションを提供する。
- 参考スコア(独自算出の注目度): 1.41081872409308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Malware proliferation and sophistication have drastically increased and
evolved continuously. Recent indiscriminate ransomware victimizations have
imposed critical needs of effective detection techniques to prevent damages.
Therefore, ransomware has drawn attention among cyberspace researchers. This
paper contributes a comprehensive overview of ransomware attacks and summarizes
existing detection and prevention techniques in both Windows and Android
platforms. Moreover, it highlights the strengths and shortcomings of those
techniques and provides a comparison between them. Furthermore, it gives
recommendations to users and system administrators.
- Abstract(参考訳): マルウェアの増殖と高度化は飛躍的に増大し、進化を続けている。
近年の無差別なランサムウェア被害は、被害を防ぐために効果的な検出技術に重大なニーズを課している。
そのため、ランサムウェアはサイバースペース研究者の間で注目を集めている。
本稿では,ランサムウェア攻撃の包括的概要と,WindowsおよびAndroidプラットフォームにおける既存の検出・防止技術の概要について述べる。
さらに、これらのテクニックの長所と短所を強調し、それらの比較を提供する。
さらに、ユーザとシステム管理者にレコメンデーションを提供する。
関連論文リスト
- Ransomware threat mitigation through network traffic analysis and
machine learning techniques [0.0]
本稿では,コンピュータネットワークにおけるランサムウェアの認識と識別方法に焦点を当てる。
このアプローチは、機械学習アルゴリズムの使用と、ネットワークトラフィックのパターンの分析に依存する。
本手法の実装により,ネットワークトラフィックに基づいて,機械学習アルゴリズムが効果的にランサムウェアを特定できることが示唆された。
論文 参考訳(メタデータ) (2024-01-27T03:55:28Z) - Ransomware Detection and Classification using Machine Learning [7.573297026523597]
本研究ではXGBoostとRandom Forest(RF)アルゴリズムを用いてランサムウェア攻撃を検出し分類する。
モデルはランサムウェア攻撃のデータセットに基づいて評価され、ランサムウェアの正確な検出と分類の有効性を示す。
論文 参考訳(メタデータ) (2023-11-05T18:16:53Z) - Review of Deep Learning-based Malware Detection for Android and Windows
System [2.855485723554975]
最近のマルウェアファミリーのほとんどは人工知能(AI)であり、異なる難読化技術を用いて従来のマルウェアシステムを騙すことができる。
そこで本研究では,Windows と Android の2つのマルウェア検出技術について概説する。
論文 参考訳(メタデータ) (2023-07-04T06:02:04Z) - 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) - Malware Detection and Prevention using Artificial Intelligence
Techniques [7.583480439784955]
マルウェアの活動の増加により、セキュリティが大きな問題となっている。
本研究では,マルウェアの活動を検出し防止するための人工知能(AI)に基づく手法を強調した。
論文 参考訳(メタデータ) (2022-06-26T02:41:46Z) - Ransomware Detection using Process Memory [0.0]
本研究はランサムウェアの内部動作と機能に焦点を当てる。
ランサムウェアファミリーの新しい署名と指紋を識別して、新しいランサムウェア攻撃を正しく分類することができる。
いくつかの有名な機械学習アルゴリズムが81.38から96.28パーセントの精度で探索された。
論文 参考訳(メタデータ) (2022-03-31T08:03:48Z) - Adversarial Attacks against Windows PE Malware Detection: A Survey of
the State-of-the-Art [44.975088044180374]
本稿は,Windowsオペレーティングシステム,すなわちWindows PEのファイル形式である,ポータブル実行可能(PE)のファイル形式に焦点をあてる。
まず、ML/DLに基づくWindows PEマルウェア検出の一般的な学習フレームワークについて概説する。
次に、PEマルウェアのコンテキストにおいて、敵攻撃を行うという3つのユニークな課題を強調した。
論文 参考訳(メタデータ) (2021-12-23T02:12:43Z) - Mate! Are You Really Aware? An Explainability-Guided Testing Framework
for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。
次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。
我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文 参考訳(メタデータ) (2021-11-19T08:02:38Z) - 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) - Adversarial EXEmples: A Survey and Experimental Evaluation of Practical
Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。
我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。
これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
論文 参考訳(メタデータ) (2020-08-17T07:16:57Z) - Adversarial Machine Learning Attacks and Defense Methods in the Cyber
Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。
サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文 参考訳(メタデータ) (2020-07-05T18:22:40Z)
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。