論文の概要: IoTMalware: Android IoT Malware Detection based on Deep Neural Network
and Blockchain Technology
- arxiv url: http://arxiv.org/abs/2102.13376v1
- Date: Fri, 26 Feb 2021 09:51:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 13:43:24.181114
- Title: IoTMalware: Android IoT Malware Detection based on Deep Neural Network
and Blockchain Technology
- Title(参考訳): IoTMalware: ディープニューラルネットワークとブロックチェーン技術に基づくAndroid IoTマルウェア検出
- Authors: Rajesh Kumar, WenYong Wang, Jay Kumar, Zakria, Ting Yang, Waqar Ali
and Abubackar Sharif
- Abstract要約: 本稿では,Android IoTデバイスのセキュリティを高めるために,ブロックチェーンとディープラーニングモデルに基づく新たなフレームワークを提案する。
提案するディープラーニングモデルは,マルウェアや良性アプリの何千もの機能から抽出した静的および動的特徴を解析する。
カスタマイズされたスマートコントラクトは、ブロックチェーンフレームワークを通じて偽りのアプリケーションを検出するように設計されている。
- 参考スコア(独自算出の注目度): 6.254288297784753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Internet of Things (IoT) has been revolutionizing this world by
introducing exciting applications almost in all walks of daily life, such as
healthcare, smart cities, smart environments, safety, remote sensing, and many
more. This paper proposes a new framework based on the blockchain and deep
learning model to provide more security for Android IoT devices. Moreover, our
framework is capable to find the malware activities in a real-time environment.
The proposed deep learning model analyzes various static and dynamic features
extracted from thousands of feature of malware and benign apps that are already
stored in blockchain distributed ledger. The multi-layer deep learning model
makes decisions by analyzing the previous data and follow some steps. Firstly,
it divides the malware feature into multiple level clusters. Secondly, it
chooses a unique deep learning model for each malware feature set or cluster.
Finally, it produces the decision by combining the results generated from all
cluster levels. Furthermore, the decisions and multiple-level clustering data
are stored in a blockchain that can be further used to train every specialized
cluster for unique data distribution. Also, a customized smart contract is
designed to detect deceptive applications through the blockchain framework. The
smart contract verifies the malicious application both during the uploading and
downloading process of Android apps on the network. Consequently, the proposed
framework provides flexibility to features for run-time security regarding
malware detection on heterogeneous IoT devices. Finally, the smart contract
helps to approve or deny to uploading and downloading harmful Android
applications.
- Abstract(参考訳): モノのインターネット(iot)は、医療、スマートシティ、スマート環境、安全性、リモートセンシングなど、日常生活のあらゆる場面でエキサイティングなアプリケーションを導入することで、この世界に革命をもたらしています。
本稿では,Android IoTデバイスのセキュリティを高めるために,ブロックチェーンとディープラーニングモデルに基づく新たなフレームワークを提案する。
さらに,我々のフレームワークは,リアルタイムな環境下でマルウェア活動を見つけることができる。
提案するディープラーニングモデルは、すでにブロックチェーン分散台帳に格納されているマルウェアや良性アプリから抽出されたさまざまな静的および動的特徴を分析する。
多層ディープラーニングモデルは、前のデータを解析していくつかのステップに従うことで決定する。
まず、マルウェア機能を複数のレベルクラスタに分割する。
次に、マルウェア機能セットまたはクラスタごとに独自のディープラーニングモデルを選択します。
最後に、すべてのクラスタレベルから生成された結果を組み合わせて意思決定を行います。
さらに、決定とマルチレベルクラスタリングデータはブロックチェーンに格納され、独自のデータ分散のために、すべての特殊なクラスタをトレーニングするためにさらに使用できる。
また、カスタマイズされたスマートコントラクトは、ブロックチェーンフレームワークを通じて偽りのアプリケーションを検出するように設計されている。
smart contractは、ネットワーク上のandroidアプリのアップロードとダウンロードのプロセス中に悪意のあるアプリケーションを検証します。
そこで,提案フレームワークは,異種iotデバイスにおけるマルウェア検出に関するランタイムセキュリティ機能の柔軟性を提供する。
最後に、スマートコントラクトは、有害なAndroidアプリケーションのアップロードとダウンロードを承認または拒否するのに役立つ。
関連論文リスト
- Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - DApps Ecosystems: Mapping the Network Structure of Smart Contract
Interactions [3.453303606167197]
分散アプリケーション(dApps)は、従来の集中型システムを破壊する可能性について注目を集めている。
分散化がアーキテクチャ的にどのように実装されているかを示し、共通の開発パターンと異常を識別する。
モジュラーな自己充足型契約と複雑な関数相互作用の網によって特徴付けられる一貫したネットワーク構造を見いだす。
論文 参考訳(メタデータ) (2024-01-03T21:48:54Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳(メタデータ) (2023-02-20T09:38:12Z) - RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency
IoT systems [41.1371349978643]
本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。
我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
論文 参考訳(メタデータ) (2022-08-27T14:50:00Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳(メタデータ) (2022-04-08T19:06:16Z) - A Survey of Machine Learning Algorithms for Detecting Malware in IoT
Firmware [0.0]
本稿では、IoTファームウェアの分類に機械学習アルゴリズムを多数使用し、最高のパフォーマンスモデルについて報告する。
ConvolutionalやFully Connected Neural Networksといったディープラーニングアプローチも検討されている。
論文 参考訳(メタデータ) (2021-11-03T17:55:51Z) - Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
IoTデバイスのセキュリティ面は幼児の分野です。
ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。
畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
論文 参考訳(メタデータ) (2020-10-13T10:56:33Z) - Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。
異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。
Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
論文 参考訳(メタデータ) (2020-06-18T14:50:08Z) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳(メタデータ) (2020-06-12T12:37:03Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z)
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。