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
- A Novel Approach to Malicious Code Detection Using CNN-BiLSTM and Feature Fusion [2.3039261241391586]
本研究では,マルウェアのバイナリファイルをグレースケールのイメージに変換するためにminhashアルゴリズムを用いる。
この研究は、IDA Proを用いてオペコードシーケンスをデコンパイルし、抽出し、特徴ベクトル化にN-gramとtf-idfアルゴリズムを適用した。
CNN-BiLSTM融合モデルは、画像の特徴とオプコードシーケンスを同時に処理し、分類性能を向上させるように設計されている。
論文 参考訳（メタデータ） (2024-10-12T07:10:44Z) - A New Formulation for Zeroth-Order Optimization of Adversarial EXEmples in Malware Detection [14.786557372850094]
ゼロオーダー最適化フレームワークでマルウェア検出を学習する方法を示す。
我々は、Windows マルウェア検出に対するゼロオーダー攻撃である ZEXE を提案し、研究する。
論文 参考訳（メタデータ） (2024-05-23T13:01:36Z) - Deep Learning Fusion For Effective Malware Detection: Leveraging Visual Features [12.431734971186673]
本研究では,マルウェアの実行可能量の異なるモードで学習した畳み込みニューラルネットワークモデルを融合する能力について検討する。
我々は3種類の視覚的マルウェアを利用した新しいマルチモーダル融合アルゴリズムを提案している。
提案した戦略は、与えられたデータセット内のマルウェアを識別する際の検出レート1.00(0-1)である。
論文 参考訳（メタデータ） (2024-05-23T08:32:40Z) - Obfuscated Malware Detection: Investigating Real-world Scenarios through Memory Analysis [0.0]
本稿では,メモリダンプ解析による簡易かつ費用対効果の高いマルウェア検出システムを提案する。
この研究は、現実世界のシナリオをシミュレートするために設計されたCIC-MalMem-2022データセットに焦点を当てている。
メモリダンプ内の難読化マルウェアの検出において,決定木,アンサンブル法,ニューラルネットワークなどの機械学習アルゴリズムの有効性を評価する。
論文 参考訳（メタデータ） (2024-04-03T00:13:23Z) - Generative AI-Based Effective Malware Detection for Embedded Computing Systems [4.005387996499278]
そこで本研究では,限定的なマルウェアの複数の変異サンプルを生成するコード認識データ生成手法を提案する。
損失最小化は、生成したサンプルが限られたマルウェアを忠実に模倣し、非現実的なサンプルを緩和することを保証する。
提案手法は,最先端技術により得られた精度の約3倍のマルウェアを検知し,90%の精度で検出する。
論文 参考訳（メタデータ） (2024-04-02T22:37:34Z) - Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection [50.7263393517558]
ホログラフィック還元表現(HRR)の特性を利用したホログラフィックグローバル畳み込みネットワーク(HGConv)を導入する。
他のグローバルな畳み込み法とは異なり、我々の手法は複雑なカーネル計算や人工カーネル設計を必要としない。
提案手法は,Microsoft Malware Classification Challenge, Drebin, EMBERのマルウェアベンチマークで新たなSOTA結果を得た。
論文 参考訳（メタデータ） (2024-03-23T15:49:13Z) - 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) - 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。