論文の概要: Malware Detection Using Frequency Domain-Based Image Visualization and
Deep Learning
- arxiv url: http://arxiv.org/abs/2101.10578v1
- Date: Tue, 26 Jan 2021 06:07:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:59:56.315740
- Title: Malware Detection Using Frequency Domain-Based Image Visualization and
Deep Learning
- Title（参考訳）: 周波数領域に基づく画像可視化とディープラーニングによるマルウェア検出
- Authors: Tajuddin Manhar Mohammed, Lakshmanan Nataraj, Satish Chikkagoudar,
Shivkumar Chandrasekaran, B.S. Manjunath
- Abstract要約: 画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。
実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。
浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
- 参考スコア（独自算出の注目度）: 16.224649756613655
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose a novel method to detect and visualize malware through image
classification. The executable binaries are represented as grayscale images
obtained from the count of N-grams (N=2) of bytes in the Discrete Cosine
Transform (DCT) domain and a neural network is trained for malware detection. A
shallow neural network is trained for classification, and its accuracy is
compared with deep-network architectures such as ResNet that are trained using
transfer learning. Neither dis-assembly nor behavioral analysis of malware is
required for these methods. Motivated by the visual similarity of these images
for different malware families, we compare our deep neural network models with
standard image features like GIST descriptors to evaluate the performance. A
joint feature measure is proposed to combine different features using error
analysis to get an accurate ensemble model for improved classification
performance. A new dataset called MaleX which contains around 1 million malware
and benign Windows executable samples is created for large-scale malware
detection and classification experiments. Experimental results are quite
promising with 96% binary classification accuracy on MaleX. The proposed model
is also able to generalize well on larger unseen malware samples and the
results compare favorably with state-of-the-art static analysis-based malware
detection algorithms.
- Abstract（参考訳）: 画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。
実行可能バイナリを離散コサイン変換(dct)領域のバイトのnグラム(n=2)数から得られるグレースケール画像として表現し、マルウェア検出のためにニューラルネットワークを訓練する。
浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
これらの方法には、マルウェアの分解および動作解析は不要です。
これらの画像の視覚的な類似性に動機づけられて,当社のディープニューラルネットワークモデルとgist記述子などの標準画像機能を比較し,パフォーマンス評価を行った。
誤り解析を用いた異なる特徴を組み合わせることで,分類性能向上のための正確なアンサンブルモデルを得るための共同特徴尺度を提案する。
MaleXと呼ばれる新しいデータセットは、大規模なマルウェア検出と分類実験のために約100万のマルウェアと良質なWindows実行サンプルを含んでいる。
実験結果はMaleXの96%のバイナリ分類精度で有望である。
提案モデルでは, より大規模なマルウェアサンプルを対象とし, 現状の静的解析に基づくマルウェア検出アルゴリズムと比較した。
関連論文リスト
- A Visualized Malware Detection Framework with CNN and Conditional GAN [5.4505834541978615]
本稿では,機械学習活用者が経験する共通問題に対処する統合フレームワークを提案する。
すなわち、拡張付き画像提示システムは、良性/悪性サンプルの同一性を保存するように設計されている。
条件付きジェネレーティブ・アドバイサル・ネットワークに基づくモデルを用いて合成画像を生成する。
論文 参考訳（メタデータ） (2024-09-22T13:29:10Z) - 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) - High-resolution Image-based Malware Classification using Multiple
Instance Learning [0.0]
本稿では,高解像度グレースケール画像と複数インスタンス学習を用いて,マルウェアを家族に分類する方法を提案する。
この実装はMicrosoft Malware Classificationデータセットで評価され、反対に拡大されたサンプルに対して最大96.6%のアキュラシーを達成している。
論文 参考訳（メタデータ） (2023-11-21T18:11:26Z) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。
そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
論文 参考訳（メタデータ） (2023-03-06T11:51:28Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T11:25:35Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳（メタデータ） (2022-10-26T15:21:39Z) - Task-Aware Meta Learning-based Siamese Neural Network for Classifying
Obfuscated Malware [5.293553970082943]
既存のマルウェア検出方法は、トレーニングデータセットに難読化されたマルウェアサンプルが存在する場合、異なるマルウェアファミリーを正しく分類できない。
そこで我々は,このような制御フロー難読化技術に対して耐性を持つ,タスク対応の複数ショット学習型サイメスニューラルネットワークを提案する。
提案手法は,同一のマルウェアファミリーに属するマルウェアサンプルを正しく分類し,ユニークなマルウェアシグネチャの認識に極めて有効である。
論文 参考訳（メタデータ） (2021-10-26T04:44:13Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Classifying Malware Images with Convolutional Neural Network Models [2.363388546004777]
本稿では,静的マルウェア分類にいくつかの畳み込みニューラルネットワーク(CNN)モデルを用いる。
インセプションV3モデルは99.24%の精度を達成しており、現在の最先端システムによって達成される98.52%の精度よりも優れている。
論文 参考訳（メタデータ） (2020-10-30T07:39:30Z) - Scalable Backdoor Detection in Neural Networks [61.39635364047679]
ディープラーニングモデルは、トロイの木馬攻撃に対して脆弱で、攻撃者はトレーニング中にバックドアをインストールして、結果のモデルが小さなトリガーパッチで汚染されたサンプルを誤識別させる。
本稿では,ラベル数と計算複雑性が一致しない新たなトリガリバースエンジニアリング手法を提案する。
実験では,提案手法が純モデルからトロイの木馬モデルを分離する際の完全なスコアを達成できることが観察された。
論文 参考訳（メタデータ） (2020-06-10T04:12:53Z)
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。