論文の概要: Malware Detection using Artificial Bee Colony Algorithm
- arxiv url: http://arxiv.org/abs/2012.00845v1
- Date: Tue, 1 Dec 2020 21:32:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-30 19:39:31.618557
- Title: Malware Detection using Artificial Bee Colony Algorithm
- Title(参考訳): 人工蜂コロニーアルゴリズムを用いたマルウェア検出
- Authors: Farid Ghareh Mohammadi, Farzan Shenavarmasouleh, M. Hadi Amini and
Hamid R. Arabnia
- Abstract要約: より普遍的なアルゴリズムは、それを扱う必要がある特徴次元の数が増えることである。
また、マルウェア分析のリアルタイムな動作のため、このソリューションを動作させることも困難である。
本稿では,Artificial Bee Colonyと呼ばれる進化的アルゴリズムを用いて,特徴選択に基づくマルウェア検出アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 3.441021278275805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Malware detection has become a challenging task due to the increase in the
number of malware families. Universal malware detection algorithms that can
detect all the malware families are needed to make the whole process feasible.
However, the more universal an algorithm is, the higher number of feature
dimensions it needs to work with, and that inevitably causes the emerging
problem of Curse of Dimensionality (CoD). Besides, it is also difficult to make
this solution work due to the real-time behavior of malware analysis. In this
paper, we address this problem and aim to propose a feature selection based
malware detection algorithm using an evolutionary algorithm that is referred to
as Artificial Bee Colony (ABC). The proposed algorithm enables researchers to
decrease the feature dimension and as a result, boost the process of malware
detection. The experimental results reveal that the proposed method outperforms
the state-of-the-art.
- Abstract(参考訳): マルウェア検出は、マルウェアファミリーの数が増えているため、難しい課題となっている。
すべてのマルウェアファミリーを検出できるユニバーサルマルウェア検出アルゴリズムは、プロセス全体を実行可能にするために必要である。
しかし、アルゴリズムがより普遍的になればなるほど、それを扱う必要のある特徴次元の数が増加し、必然的に、Curse of dimensionality(CoD)という問題が発生する。
また,マルウェア解析のリアルタイムな動作により,この問題の解決も困難である。
本稿では,この問題に対処し,ABC(Artificial Bee Colony)と呼ばれる進化的アルゴリズムを用いて特徴選択に基づくマルウェア検出アルゴリズムを提案する。
提案アルゴリズムにより,研究者は特徴量を減らすことができ,その結果,マルウェア検出のプロセスが向上する。
実験の結果,提案手法が最先端技術よりも優れていることがわかった。
関連論文リスト
- Enhancing Malware Detection by Integrating Machine Learning with Cuckoo
Sandbox [0.0]
本研究の目的は,APIコールシーケンスを含むデータセットから抽出されたマルウェアを分類し,同定することである。
ディープラーニングと機械学習の両方のアルゴリズムは、極めて高いレベルの精度を実現し、特定のケースでは最大99%に達する。
論文 参考訳(メタデータ) (2023-11-07T22:33:17Z) - Survey of Malware Analysis through Control Flow Graph using Machine
Learning [0.0]
従来のシグネチャベースのマルウェア検出手法は、新しく未知のマルウェアを検出するのに効果がない。
シグネチャベースの検出の限界を克服できる最も有望な手法の1つは、制御フローグラフ(CFG)を使用することである。
CFGはプログラムの構造情報を利用して実行可能なパスをグラフとして表現し、ノードは命令を表し、エッジは制御フロー依存性を表す。
機械学習(ML)アルゴリズムは、CFGからこれらの機能を抽出し、悪意のあるものまたは良心的なものとして分類するために使用されている。
論文 参考訳(メタデータ) (2023-05-15T20:18:27Z) - FastDiagP: An Algorithm for Parallelized Direct Diagnosis [64.65251961564606]
FastDiagは、競合を事前に決定せずに診断計算をサポートする典型的な直接診断アルゴリズムである。
本稿では,投機的プログラミングのアイデアに基づく新しいアルゴリズムであるFastDiagPを提案する。
このメカニズムは、高速な回答で一貫性チェックを提供し、アルゴリズムのランタイムパフォーマンスを高めるのに役立つ。
論文 参考訳(メタデータ) (2023-05-11T16:26:23Z) - Health Monitoring of Movement Disorder Subject based on Diamond Stacked
Sparse Autoencoder Ensemble Model [13.370180098472867]
本稿では,ダイヤモンド積層スパースオートエンコーダアンサンブルモデル(DsaeEM)に基づく運動障害者の健康モニタリングを提案する。
このアルゴリズムには2つの主要コンポーネントがある。第一に、機能拡張はFSSAE(Feature-embedded stacked sparse autoencoder)を用いて設計されている。
第2に、拡張された特徴間の冗長性を取り除くために、特徴低減機構が設計されている。
論文 参考訳(メタデータ) (2023-03-15T11:34:06Z) - A Review on the effectiveness of Dimensional Reduction with
Computational Forensics: An Application on Malware Analysis [0.0]
本研究は,Android ベースのマルウェアを検知する計算Forensics タスクにおける Principle Component Analysis の適用性を評価する。
その結果,次元的に低減されたデータセットは精度の劣化の指標となることがわかった。
論文 参考訳(メタデータ) (2023-01-15T07:34:31Z) - Clustering based opcode graph generation for malware variant detection [1.179179628317559]
マルウェア検出と家族帰属を行う手法を提案する。
提案手法はまず,各家庭のマルウェアからオプコードを取り出し,それぞれのオプコードグラフを構築する。
我々は,Opcodeグラフ上のクラスタリングアルゴリズムを用いて,同一のマルウェアファミリー内のマルウェアのクラスタを検出する。
論文 参考訳(メタデータ) (2022-11-18T06:12:33Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-10T10:02:31Z) - 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) - MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven
Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。
正規化最大度(NML)分布の計算法を提案する。
得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文 参考訳(メタデータ) (2021-07-15T08:19:57Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - A black-box adversarial attack for poisoning clustering [78.19784577498031]
本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。
我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
論文 参考訳(メタデータ) (2020-09-09T18:19:31Z)
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。