論文の概要: Mobile Botnet Detection: A Deep Learning Approach Using Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2007.00263v1
- Date: Wed, 1 Jul 2020 06:19:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:46:54.034819
- Title: Mobile Botnet Detection: A Deep Learning Approach Using Convolutional
Neural Networks
- Title(参考訳): モバイルボットネット検出:畳み込みニューラルネットワークを用いたディープラーニングアプローチ
- Authors: Suleiman Y. Yerima and Mohammed K. Alzaylaee
- Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づくAndroidボットネット検出のためのディープラーニング手法を提案する。
提案するボットネット検出システムは,342の静的アプリ機能でトレーニングされたCNNベースのモデルとして実装され,ボットネットアプリと通常のアプリを区別する。
トレーニングされたボットネット検出モデルは、公開されているISCXボットネットデータセットから1,929個のボットネットを含む6,802個の実アプリケーションに対して評価された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Android, being the most widespread mobile operating systems is increasingly
becoming a target for malware. Malicious apps designed to turn mobile devices
into bots that may form part of a larger botnet have become quite common, thus
posing a serious threat. This calls for more effective methods to detect
botnets on the Android platform. Hence, in this paper, we present a deep
learning approach for Android botnet detection based on Convolutional Neural
Networks (CNN). Our proposed botnet detection system is implemented as a
CNN-based model that is trained on 342 static app features to distinguish
between botnet apps and normal apps. The trained botnet detection model was
evaluated on a set of 6,802 real applications containing 1,929 botnets from the
publicly available ISCX botnet dataset. The results show that our CNN-based
approach had the highest overall prediction accuracy compared to other popular
machine learning classifiers. Furthermore, the performance results observed
from our model were better than those reported in previous studies on machine
learning based Android botnet detection.
- Abstract(参考訳): Androidは最も普及しているモバイルOSであり、マルウェアの標的になりつつある。
モバイルデバイスをより大きなボットネットを構成する可能性のあるボットに変える悪質なアプリは、非常に一般的なものとなり、深刻な脅威となっている。
これにより、Androidプラットフォーム上でボットネットを検出するより効果的な方法が求められている。
そこで本研究では,畳み込みニューラルネットワーク(CNN)に基づくAndroidボットネット検出のためのディープラーニング手法を提案する。
提案するbotnet検出システムは,cnnベースのモデルとして実装され,342の静的アプリ機能を用いてボットネットアプリと通常のアプリを区別する。
トレーニングされたボットネット検出モデルは、公開されているiscxボットネットデータセットから1,929ボットネットを含む6,802の実際のアプリケーションで評価された。
その結果、我々のCNNベースのアプローチは、他の一般的な機械学習分類器と比較して、全体的な予測精度が最も高かった。
さらに,我々のモデルから得られた性能は,機械学習ベースのAndroidボットネット検出に関する過去の研究よりも優れていた。
関連論文リスト
- My Brother Helps Me: Node Injection Based Adversarial Attack on Social Bot Detection [69.99192868521564]
Twitterのようなソーシャルプラットフォームは、数多くの不正なユーザーから包囲されている。
ソーシャルネットワークの構造のため、ほとんどの手法は攻撃を受けやすいグラフニューラルネットワーク(GNN)に基づいている。
本稿では,ボット検出モデルを欺いたノードインジェクションに基づく逆攻撃手法を提案する。
論文 参考訳(メタデータ) (2023-10-11T03:09:48Z) - MONDEO: Multistage Botnet Detection [2.259031129687683]
MONDEOはDNSベースのボットネットマルウェアを検出するための多段階メカニズムである。
Blacklisting/Whitelisting、クエリレート分析、DGA分析、マシンラーニング評価の4つの検出ステージで構成されている。
MONDEOはその効率と性能を測定するために、いくつかのデータセットに対してテストされた。
論文 参考訳(メタデータ) (2023-08-31T09:12:30Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳(メタデータ) (2023-03-02T18:51:38Z) - Improving Botnet Detection with Recurrent Neural Network and Transfer
Learning [5.602292536933117]
ボットネット検出は、ボットネットの拡散を防ぎ、悪意のある活動を防ぐための重要なステップである。
機械学習(ML)を用いた最近のアプローチでは、以前のアプローチよりもパフォーマンスが向上した。
Recurrent Variational Autoencoder (RVAE) を用いた新しいボットネット検出法を提案する。
論文 参考訳(メタデータ) (2021-04-26T14:05:01Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳(メタデータ) (2021-02-09T10:34:32Z) - Towards a Universal Features Set for IoT Botnet Attacks Detection [1.022709144903362]
本稿では,基盤となるデータセットに関係なく,ボットネット攻撃をよりよく検出するためのユニバーサル機能セットを提案する。
提案した機能は、トレーニングされた機械学習モデルを3つの異なるボットネット攻撃データセット上でテストする際に、ボットネット攻撃を検出するために顕著な結果を示す。
論文 参考訳(メタデータ) (2020-12-01T13:15:57Z) - Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。
本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。
本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文 参考訳(メタデータ) (2020-07-28T19:00:40Z) - Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。
異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。
本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-11T22:59:59Z) - Botnet Detection Using Recurrent Variational Autoencoder [4.486436314247216]
ボットネットは悪質なアクターによってますます利用され、多くのインターネットユーザーに脅威を与えている。
本稿では,ボットネット検出のための新しい機械学習手法であるRecurrent Variational Autoencoder (RVAE)を提案する。
RVAEは文献で発表された最もよく知られた結果と同じ精度でボットネットを検出できることを示した。
論文 参考訳(メタデータ) (2020-04-01T05:03:34Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳(メタデータ) (2020-03-13T15:34:33Z)
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。