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

• BlockFound: Customized blockchain foundation model for anomaly detection [47.04595143348698]
  BlockFoundは、異常なブロックチェーントランザクション検出のためのカスタマイズされた基盤モデルである。 ブロックチェーントランザクションのユニークなデータ構造をモデル化するための、一連のカスタマイズデザインを紹介します。 BlockFoundは、Solana上の異常なトランザクションを高精度に検出する唯一の方法である。
  論文  参考訳（メタデータ） (2024-10-05T05:11:34Z)
• Blockchains for Internet of Things: Fundamentals, Applications, and Challenges [38.29453164670072]
  すべてのブロックチェーンシステムが、特定のIoTアプリケーションに適しているわけではない。 パブリックブロックチェーンは機密データを格納するのに適していない。 ブロックチェーンのアプリケーションを、エッジAI、通信、ヘルスケアの3つの重要なIoT領域で調査する。
  論文  参考訳（メタデータ） (2024-05-08T04:25:57Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• 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)
• Secure Targeted Message Dissemination in IoT Using Blockchain Enabled Edge Computing [1.381577845997074]
  私たちは、セキュリティとプライバシを意識したIoTメッセージの拡散であるSTarEdgeChainを設計し、ブロックチェーンと高度な暗号化技術が、このような懸念に対処するためにどのように取り組まれているかを示します。 実際、STarEdgeChainは、ターゲットとするデバイスグループ間でシングルサイン暗号化されたメッセージの拡散を迅速化するために、認可されたブロックチェーン支援エッジコンピューティングを使用している。
  論文  参考訳（メタデータ） (2024-01-12T05:19:51Z)
• Architectural Design for Secure Smart Contract Development [0.0]
  ブロックチェーンインフラストラクチャに対するいくつかの攻撃により、数百万ドルが失われ、機密情報が漏洩した。 一般的なソフトウェア脆弱性とブロックチェーンインフラストラクチャに対する攻撃を特定します。 スマートコントラクトを活用した将来のシステムにおいて,より強力なセキュリティ標準を保証するためのモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-03T18:59:17Z)
• 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)

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。