論文の概要: MalNet: A Large-Scale Cybersecurity Image Database of Malicious Software
- arxiv url: http://arxiv.org/abs/2102.01072v1
- Date: Sun, 31 Jan 2021 02:59:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 16:57:51.680340
- Title: MalNet: A Large-Scale Cybersecurity Image Database of Malicious Software
- Title（参考訳）: MalNet: 悪意あるソフトウェアの大規模サイバーセキュリティイメージデータベース
- Authors: Scott Freitas, Rahul Duggal, Duen Horng Chau
- Abstract要約: MalNetは、公開されている最大のサイバーセキュリティ画像データベースである。
47のタイプと696のファミリーの階層に120万以上の画像が含まれている。
- 参考スコア（独自算出の注目度）: 7.4910208901029325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision is playing an increasingly important role in automated
malware detection with to the rise of the image-based binary representation.
These binary images are fast to generate, require no feature engineering, and
are resilient to popular obfuscation methods. Significant research has been
conducted in this area, however, it has been restricted to small-scale or
private datasets that only a few industry labs and research teams have access
to. This lack of availability hinders examination of existing work, development
of new research, and dissemination of ideas. We introduce MalNet, the largest
publicly available cybersecurity image database, offering 133x more images and
27x more classes than the only other public binary-image database. MalNet
contains over 1.2 million images across a hierarchy of 47 types and 696
families. We provide extensive analysis of MalNet, discussing its properties
and provenance. The scale and diversity of MalNet unlocks new and exciting
cybersecurity opportunities to the computer vision community--enabling
discoveries and research directions that were previously not possible. The
database is publicly available at www.mal-net.org.
- Abstract（参考訳）: コンピュータビジョンは、画像ベースのバイナリ表現の台頭に伴う自動マルウェア検出においてますます重要な役割を果たしています。
これらのバイナリイメージは、生成が速く、機能エンジニアリングが不要で、一般的な難読化メソッドに耐性がある。
この分野で重要な研究が行われてきたが、少数の産業研究所や研究チームがアクセスできる小規模またはプライベートなデータセットに限られている。
この可用性の欠如は、既存の仕事の検証、新しい研究の発展、アイデアの拡散を妨げる。
公開可能な最大のサイバーセキュリティイメージデータベースであるMalNetを導入し、他の公開バイナリイメージデータベースよりも133倍のイメージと27倍のクラスを提供します。
MalNet は 47 タイプと 696 ファミリーの階層にまたがる 1,200 万枚以上の画像を含んでいます。
MalNetの幅広い分析を提供し、その特性と証明について議論します。
malnetの規模と多様性は、コンピュータビジョンコミュニティにとって新しくてエキサイティングなサイバーセキュリティの機会を解き放ちます。
データベースはwww.mal-net.orgで公開されている。
関連論文リスト
- Human-imperceptible, Machine-recognizable Images [76.01951148048603]
より良い開発AIシステムと、センシティブなトレーニングデータから距離を置くことの間の、ソフトウェアエンジニアに関する大きな対立が露呈している。
画像が暗号化され、人間に認識され、機械に認識される」という、効率的なプライバシー保護学習パラダイムを提案する。
提案手法は,機械が認識可能な情報を保存しながら,暗号化された画像が人間に認識されなくなることを保証できることを示す。
論文 参考訳（メタデータ） (2023-06-06T13:41:37Z) - Beyond ImageNet Attack: Towards Crafting Adversarial Examples for
Black-box Domains [80.11169390071869]
敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。
ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。
提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
論文 参考訳（メタデータ） (2022-01-27T14:04:27Z) - DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode [7.556301451015502]
画像に基づくマルウェア検出のためのベースラインパイプラインを,簡単なステップで開発・評価する。
アプリケーションDEXファイルのバイトコードをグレースケールの「ベクター」画像に変換し、1次元畳み込みニューラルネットワークモデルにフィードするDexRayを提案する。
158k以上のアプリケーションで評価されたDexRayの性能は、単純ではあるが、我々のアプローチは高い検出率で有効であることを示している。
論文 参考訳（メタデータ） (2021-09-05T16:33:05Z) - Detection and Localization of Multiple Image Splicing Using MobileNet V1 [0.0]
2つ以上の画像を組み合わせて、ソーシャルメディアプラットフォーム間で情報を伝達できる新しい画像を生成する。
本研究では,Mask R-CNNを用いた複数画像スプライシングの偽造検出手法を提案する。
また、複数のスプライシング画像の鍛造領域のパーセンテージスコアを算出する。
論文 参考訳（メタデータ） (2021-08-22T09:27:22Z) - LLC: Accurate, Multi-purpose Learnt Low-dimensional Binary Codes [55.32790803903619]
本稿では,クラスだけでなくインスタンスの低次元バイナリコード(LLC)を学習するための新しい手法を提案する。
アノテーション付き属性やラベルメタデータなど,副作用は一切不要です。
学習したコードは、クラスに対して直感的な分類法を発見することによって、データの中で本質的に重要な特徴をキャプチャすることを示した。
論文 参考訳（メタデータ） (2021-06-02T21:57:52Z) - A Study of Face Obfuscation in ImageNet [94.2949777826947]
本稿では,imagenetチャレンジにおける画像難読化について検討する。
ImageNetチャレンジのほとんどのカテゴリは、人のカテゴリではありません。
さまざまな深層ニューラルネットワークを顔画像上でベンチマークし、異なるカテゴリに対する異なる影響を観察します。
結果は、顔が破れた画像で学んだ特徴が等しく転送可能であることを示している。
論文 参考訳（メタデータ） (2021-03-10T17:11:34Z) - Virus-MNIST: A Benchmark Malware Dataset [0.0]
このノートは、10の実行可能なコード品種と約50,000のウイルス例からなる画像分類データセットを示す。
悪意のあるクラスには、9種類のコンピュータウイルスと1つの良性セットが含まれる。
マルウェアに対する9つのウイルスファミリーの指定は、クラスラベルの教師なし学習に由来する。
論文 参考訳（メタデータ） (2021-02-28T19:55:19Z) - A Large-Scale Database for Graph Representation Learning [20.414835261776304]
これまでに構築された最大の公開グラフデータベースであるMalNetを紹介します。
MalNetには120万以上のグラフがあり、平均15kノードと35kエッジがある。
一般的なREDDIT-12Kデータベースと比較して、MalNetは105倍のグラフ、平均39倍のグラフ、63倍のクラスを提供している。
論文 参考訳（メタデータ） (2020-11-16T01:50:21Z) - Large image datasets: A pyrrhic win for computer vision? [2.627046865670577]
大規模ビジョンデータセットの問題点と結果について検討する。
我々は,同意や正義の問題などの幅広い問題や,データセットに検証可能なポルノ画像を含めるといった特定の懸念について検討する。
論文 参考訳（メタデータ） (2020-06-24T06:41:32Z) - InfoScrub: Towards Attribute Privacy by Targeted Obfuscation [77.49428268918703]
視覚データに流出した個人情報を個人が制限できる技術について検討する。
我々はこの問題を新しい画像難読化フレームワークで解決する。
提案手法では,元の入力画像に忠実な難読化画像を生成するとともに,非難読化画像に対して6.2$times$(または0.85bits)の不確実性を増大させる。
論文 参考訳（メタデータ） (2020-05-20T19:48:04Z) - HERS: Homomorphically Encrypted Representation Search [56.87295029135185]
本稿では,暗号化ドメイン内の大規模ギャラリーに対して,プローブ(あるいはクエリ)画像表現を検索する手法を提案する。
我々の暗号方式は固定長表現の取得方法に従わないため、任意のアプリケーション領域における任意の固定長表現に適用できる。
論文 参考訳（メタデータ） (2020-03-27T01:10:54Z)
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。