論文の概要: IoT Malware Network Traffic Classification using Visual Representation
and Deep Learning
- arxiv url: http://arxiv.org/abs/2010.01712v1
- Date: Sun, 4 Oct 2020 22:44:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 04:17:55.258584
- Title: IoT Malware Network Traffic Classification using Visual Representation
and Deep Learning
- Title（参考訳）: 視覚的表現とディープラーニングを用いたiotマルウェアネットワークトラフィック分類
- Authors: Gueltoum Bendiab, Stavros Shiaeles, Abdulrahman Alruban, Nicholas
Kolokotronis
- Abstract要約: ディープラーニングと視覚表現を用いた新しいIoTマルウェアトラフィック分析手法を提案する。
提案手法における悪意あるネットワークトラフィックの検出はパッケージレベルで動作し,検出時間を大幅に短縮する。
Residual Neural Network(ResNet50)の実験結果は、マルウェアのトラフィックを検出するための94.50%の精度で、非常に有望である。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increase of IoT devices and technologies coming into service,
Malware has risen as a challenging threat with increased infection rates and
levels of sophistication. Without strong security mechanisms, a huge amount of
sensitive data is exposed to vulnerabilities, and therefore, easily abused by
cybercriminals to perform several illegal activities. Thus, advanced network
security mechanisms that are able of performing a real-time traffic analysis
and mitigation of malicious traffic are required. To address this challenge, we
are proposing a novel IoT malware traffic analysis approach using deep learning
and visual representation for faster detection and classification of new
malware (zero-day malware). The detection of malicious network traffic in the
proposed approach works at the package level, significantly reducing the time
of detection with promising results due to the deep learning technologies used.
To evaluate our proposed method performance, a dataset is constructed which
consists of 1000 pcap files of normal and malware traffic that are collected
from different network traffic sources. The experimental results of Residual
Neural Network (ResNet50) are very promising, providing a 94.50% accuracy rate
for detection of malware traffic.
- Abstract（参考訳）: IoTデバイスやテクノロジのサービス提供の増加に伴い、Malwareは、感染率の上昇と高度な技術レベルによる挑戦的な脅威として台頭している。
強力なセキュリティメカニズムがなければ、大量の機密データが脆弱性に晒され、サイバー犯罪者によって容易に悪用され、いくつかの違法な活動が行われる。
そのため、リアルタイムなトラフィック分析と悪意のあるトラフィックの軽減が可能な高度なネットワークセキュリティ機構が必要となる。
この課題に対処するため,我々は,新しいマルウェア(ゼロデイマルウェア)の検出と分類を高速化するために,ディープラーニングと視覚的表現を用いた新しいiotマルウェアトラフィック分析手法を提案する。
提案手法における悪意のあるネットワークトラフィックの検出はパッケージレベルで動作し、使用するディープラーニング技術による有望な結果による検出時間を大幅に削減する。
提案手法の性能を評価するため,異なるネットワークトラフィックソースから収集した正常およびマルウェアトラフィックの1000pcapファイルからなるデータセットを構築した。
残留ニューラルネットワーク(resnet50)の実験結果は非常に有望であり、マルウェアのトラフィックの検出に94.50%の精度を提供する。
関連論文リスト
- Towards Novel Malicious Packet Recognition: A Few-Shot Learning Approach [0.0]
Deep Packet Inspection (DPI)は、ネットワークセキュリティを強化する重要な技術として登場した。
本研究では,大規模言語モデル(LLM)と少数ショット学習を活用する新しいアプローチを提案する。
提案手法は,マルウェアの種類によって平均精度86.35%,F1スコア86.40%の有望な結果を示す。
論文 参考訳（メタデータ） (2024-09-17T15:02:32Z) - Preliminary study on artificial intelligence methods for cybersecurity threat detection in computer networks based on raw data packets [34.82692226532414]
本稿では,ネットワークトラフィック内の生パケットデータから直接リアルタイムに攻撃を検知できるディープラーニング手法について検討する。
コンピュータビジョンモデルを用いた処理に適した2次元画像表現を用いて,パケットをウィンドウに積み重ねて別々に認識する手法を提案する。
論文 参考訳（メタデータ） (2024-07-24T15:04:00Z) - Malware Classification using Deep Neural Networks: Performance
Evaluation and Applications in Edge Devices [0.0]
複数のディープニューラルネットワーク(DNN)は、マルウェアのバイナリを検出し分類するように設計されている。
エッジデバイスにこれらのDNNモデルをデプロイして、特にリソース制約のあるシナリオにおいて、リアルタイムな分類を可能にすることは、大規模なIoTシステムにとって不可欠であることが証明されている。
本研究は,マルウェア検出技術の進歩に寄与し,マルウェアの早期検出にサイバーセキュリティ対策を統合することの重要性を強調した。
論文 参考訳（メタデータ） (2023-08-21T16:34:46Z) - Effective Intrusion Detection in Highly Imbalanced IoT Networks with
Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。
既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。
我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文 参考訳（メタデータ） (2023-06-06T14:19:23Z) - MalIoT: Scalable and Real-time Malware Traffic Detection for IoT
Networks [6.426881566121233]
このシステムは、Apache KafkaやApache Sparkといった分散システムを使用することで、IoTデバイスの指数的な成長を処理できる。
これらの技術は協力して、スケーラブルなパフォーマンスと高い精度を提供するシステムを構築する。
論文 参考訳（メタデータ） (2023-04-02T20:47:08Z) - A survey on hardware-based malware detection approaches [45.24207460381396]
ハードウェアベースのマルウェア検出アプローチは、ハードウェアパフォーマンスカウンタと機械学習技術を活用する。
このアプローチを慎重に分析し、最も一般的な方法、アルゴリズム、ツール、および輪郭を形成するデータセットを解明します。
この議論は、協調的有効性のための混合ハードウェアとソフトウェアアプローチの構築、ハードウェア監視ユニットの不可欠な拡張、ハードウェアイベントとマルウェアアプリケーションの間の相関関係の理解を深めている。
論文 参考訳（メタデータ） (2023-03-22T13:00:41Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Malware Squid: A Novel IoT Malware Traffic Analysis Framework using
Convolutional Neural Network and Binary Visualisation [2.309914459672557]
ニューラルネットワークとバイナリビジュアライゼーションを用いた新しいIoTマルウェアトラフィック分析手法を提案する。
提案手法の最大の動機は、新しいマルウェア(ゼロデイマルウェア)を素早く検出し分類することである。
論文 参考訳（メタデータ） (2021-09-08T00:21:45Z) - TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。
我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。
TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文 参考訳（メタデータ） (2021-03-10T19:03:38Z) - Darknet Traffic Big-Data Analysis and Network Management to Real-Time
Automating the Malicious Intent Detection Process by a Weight Agnostic Neural
Networks Framework [0.0]
悪意の検出プロセスをリアルタイムに自動化する新しいダークネットトラフィック解析とネットワーク管理フレームワークを提案する。
ネットワークトラフィック分析、マルウェアトラフィックの復号化、リアルタイムの暗号化トラフィック識別のための、効果的で正確な計算知能ツールである。
論文 参考訳（メタデータ） (2021-02-16T19:03:25Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z)
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。