Fugu-MT 論文翻訳(概要): Deep Learning for Android Malware Defenses: a Systematic Literature Review

論文の概要: Deep Learning for Android Malware Defenses: a Systematic Literature Review

arxiv url: http://arxiv.org/abs/2103.05292v1
Date: Tue, 9 Mar 2021 08:33:08 GMT
ステータス: 処理完了
システム内更新日: 2021-03-10 14:43:09.755337
Title: Deep Learning for Android Malware Defenses: a Systematic Literature Review
Title（参考訳）: Androidマルウェア防御のためのディープラーニング:システム文学のレビュー
Authors: Yue Liu, Chakkrit Tantithamthavorn, Li Li and Yepang Liu
Abstract要約: 悪意のあるアプリケーション(特にAndroidプラットフォーム)は、開発者やエンドユーザにとって深刻な脅威です。 androidマルウェアの攻撃を防ぐディープラーニング技術は最近、かなりの研究の注目を集めている。しかし、Androidマルウェア防御のためのディープラーニングアプローチに焦点を当てた体系的な文献レビューはありません。
参考スコア（独自算出の注目度）: 16.2206504908646
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Malicious applications (especially in the Android platform) are a serious threat to developers and end-users. Many research efforts have hence been devoted to developing effective approaches to defend Android malware. However, with the explosive growth of Android malware and the continuous advancement of malicious evasion technologies like obfuscation and reflection, android malware defenses based on manual rules or traditional machine learning may not be effective due to limited apriori knowledge. In recent years, a dominant research field of deep learning (DL) with the powerful feature abstraction ability has demonstrated a compelling and promising performance in various fields, like Nature Language processing and image processing. To this end, employing deep learning techniques to thwart the attack of Android malware has recently gained considerable research attention. Yet, there exists no systematic literature review that focuses on deep learning approaches for Android Malware defenses. In this paper, we conducted a systematic literature review to search and analyze how deep learning approaches have been applied in the context of malware defenses in the Android environment. As a result, a total of 104 studies were identified over the period 2014-2020. The results of our investigation show that even though most of these studies still mainly consider DL-based on Android malware detection, 35 primary studies (33.7\%) design the defenses approaches based on other scenarios. This review also describes research trends, research focuses, challenges, and future research directions in DL-based Android malware defenses.
Abstract（参考訳）: 悪意のあるアプリケーション(特にAndroidプラットフォーム)は、開発者やエンドユーザにとって深刻な脅威です。そのため、多くの研究がAndroidマルウェアを保護する効果的なアプローチの開発に費やされている。しかし、Androidマルウェアの爆発的な成長と難読化やリフレクションのような悪意ある回避技術の継続的な進歩により、手動のルールや従来の機械学習に基づくアンドロイドマルウェアの防御は、アプリオリの知識が限られているため効果がない可能性がある。近年,強力な機能抽象化能力を持つディープラーニング(DL)の研究分野が,自然言語処理や画像処理など,様々な分野で有望かつ有望なパフォーマンスを示している。この目的のために,Androidマルウェアの攻撃を防ぐためのディープラーニング技術が最近注目されている。しかし、Androidマルウェア防御のためのディープラーニングアプローチに焦点を当てた体系的な文献レビューはありません。本稿では,android環境におけるマルウェア防衛の文脈において,ディープラーニングアプローチがどのように適用されてきたのかを探索し,分析するための体系的文献レビューを行った。その結果、2014-2020年の期間に合計104の研究が特定された。調査の結果,これらの研究の多くはAndroidのマルウェア検出に基づくDLを主に検討しているが,35の初等研究 (33.7 %) は,他のシナリオに基づく防御アプローチを設計している。本レビューでは,dlベースのandroidマルウェア防御における研究動向,研究焦点,課題,今後の研究方向についても述べる。

関連論文リスト

MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文参考訳（メタデータ） (2024-09-29T07:22:47Z)
Unraveling the Key of Machine Learning Solutions for Android Malware Detection [33.63795751798441]
本稿では,機械学習によるAndroidマルウェア検出に関する包括的調査を行う。まず、文献を調査し、Androidの機能エンジニアリングとMLモデリングパイプラインに基づいた分類にコントリビューションを分類する。そして、MLベースのAndroidマルウェア検出のための汎用フレームワークを設計し、異なる研究コミュニティから12の代表的なアプローチを再実装し、有効性、堅牢性、効率性の3つの主要な側面から評価する。
論文参考訳（メタデータ） (2024-02-05T12:31:19Z)
ActDroid: An active learning framework for Android malware detection [3.195234044113248]
12秒ごとに新しいマルウェアがオンラインに現れる。オンライン学習は、アプリケーションラベリングの問題を軽減するために使用できる。私たちのフレームワークは最大96%の精度を実現しています。
論文参考訳（メタデータ） (2024-01-30T13:10:33Z)
DRSM: De-Randomized Smoothing on Malware Classifier Providing Certified Robustness [58.23214712926585]
我々は,マルウェア検出領域の非ランダム化スムース化技術を再設計し,DRSM(De-Randomized Smoothed MalConv)を開発した。具体的には,実行可能ファイルの局所構造を最大に保ちながら,逆数バイトの影響を確実に抑制するウィンドウアブレーション方式を提案する。私たちは、マルウェア実行ファイルの静的検出という領域で、認証された堅牢性を提供する最初の人です。
論文参考訳（メタデータ） (2023-03-20T17:25:22Z)
The State-of-the-Art in AI-Based Malware Detection Techniques: A Review [0.0]
このレビューは、マルウェアの検出と防止に使用される最先端のAI技術の概要を明らかにすることを目的としている。研究対象のアルゴリズムは、浅層学習、深層学習、バイオインスパイアド・コンピューティングである。この調査はまた、より高度なマルウェアを作成する手段として、サイバー犯罪者によるAIの急速な採用にも触れている。
論文参考訳（メタデータ） (2022-10-12T16:44:52Z)
Towards a Fair Comparison and Realistic Design and Evaluation Framework of Android Malware Detectors [63.75363908696257]
一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
論文参考訳（メタデータ） (2022-05-25T08:28:08Z)
Adversarial Patterns: Building Robust Android Malware Classifiers [0.9208007322096533]
サイバーセキュリティの分野では、機械学習モデルがマルウェア検出において大幅に改善されている。構造化されていないデータから複雑なパターンを理解する能力があるにもかかわらず、これらのモデルは敵攻撃の影響を受けやすい。本稿では,Androidマルウェア分類器の文脈における敵機械学習の包括的レビューを行う。
論文参考訳（メタデータ） (2022-03-04T03:47:08Z)
Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art [44.975088044180374]
本稿は,Windowsオペレーティングシステム,すなわちWindows PEのファイル形式である,ポータブル実行可能(PE)のファイル形式に焦点をあてる。まず、ML/DLに基づくWindows PEマルウェア検出の一般的な学習フレームワークについて概説する。次に、PEマルウェアのコンテキストにおいて、敵攻撃を行うという3つのユニークな課題を強調した。
論文参考訳（メタデータ） (2021-12-23T02:12:43Z)
Threat of Adversarial Attacks on Deep Learning in Computer Vision: Survey II [86.51135909513047]
ディープラーニングは、予測を操作できる敵攻撃に対して脆弱である。本稿では,ディープラーニングに対する敵対的攻撃におけるコンピュータビジョンコミュニティの貢献を概観する。この領域では、非専門家に技術的な用語の定義を提供する。
論文参考訳（メタデータ） (2021-08-01T08:54:47Z)
Android Malware Category and Family Detection and Identification using Machine Learning [0.0]
本稿では,Android マルウェアの動的解析のための2つの機械学習手法を提案する。提案手法は,99%以上の精度でAndroid Malware Category検出を実現し,99%以上の精度でAndroid Malware Family検出を実現している。
論文参考訳（メタデータ） (2021-07-05T10:48:40Z)
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文参考訳（メタデータ） (2020-07-05T18:22:40Z)

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。