Fugu-MT 論文翻訳(概要): Towards Improving the Trustworthiness of Hardware based Malware Detector using Online Uncertainty Estimation

論文の概要: Towards Improving the Trustworthiness of Hardware based Malware Detector using Online Uncertainty Estimation

arxiv url: http://arxiv.org/abs/2103.11519v1
Date: Sun, 21 Mar 2021 23:55:35 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 14:13:14.078389
Title: Towards Improving the Trustworthiness of Hardware based Malware Detector using Online Uncertainty Estimation
Title（参考訳）: オンライン不確実性推定を用いたハードウェアベースマルウェア検出装置の信頼性向上に向けて
Authors: Harshit Kumar, Nikhil Chawla, Saibal Mukhopadhyay
Abstract要約: 機械学習(ML)モデルを使用したハードウェアベースのマルウェア検出器(HMD)は、悪意のあるワークロードを検出する約束を示しています。本論文では,HMDのMLモデルが未知の作業負荷に遭遇した場合の予測の不確実性を定量化するアンサンブルに基づくアプローチを提案する。提案する不確実性推定器は電力管理型hmdにおいて未知のワークロードの90%以上を検出できることを示す。
参考スコア（独自算出の注目度）: 8.199786326431944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hardware-based Malware Detectors (HMDs) using Machine Learning (ML) models have shown promise in detecting malicious workloads. However, the conventional black-box based machine learning (ML) approach used in these HMDs fail to address the uncertain predictions, including those made on zero-day malware. The ML models used in HMDs are agnostic to the uncertainty that determines whether the model "knows what it knows," severely undermining its trustworthiness. We propose an ensemble-based approach that quantifies uncertainty in predictions made by ML models of an HMD, when it encounters an unknown workload than the ones it was trained on. We test our approach on two different HMDs that have been proposed in the literature. We show that the proposed uncertainty estimator can detect >90% of unknown workloads for the Power-management based HMD, and conclude that the overlapping benign and malware classes undermine the trustworthiness of the Performance Counter-based HMD.
Abstract（参考訳）: 機械学習(ML)モデルを使用したハードウェアベースのマルウェア検出(HMD)では、悪意のあるワークロードを検出することが保証されている。しかし、これらのHMDで使用される従来のブラックボックスベースの機械学習(ML)アプローチでは、ゼロデイマルウェアを含む不確実な予測に対処できない。 HMDで使用されるMLモデルは、モデルが「知っていることを知っている」かどうかを判断する不確実性に非依存であり、信頼性を著しく損なう。本稿では,HMDのMLモデルによる予測において,トレーニング対象よりも未知の作業負荷に遭遇した場合に不確実性を定量化するアンサンブルに基づく手法を提案する。文献で提案されている2種類の異なるhmdを用いて実験を行った。提案した不確実性推定器は、電力管理ベースのHMDの未知のワークロードの90%以上を検出でき、重なり合う良性およびマルウェアクラスは、パフォーマンスカウンタベースのHMDの信頼性を損なう。

関連論文リスト

A Survey of Malware Detection Using Deep Learning [6.349503549199403]
本稿では,ディープラーニング(DL)を用いたWindows,iOS,Android,Linuxにおけるマルウェア検出の進歩について検討する。本稿では,DL分類器を用いたマルウェア検出の問題点と課題について論じる。各種データセットに対する8つの一般的なDLアプローチについて検討する。
論文参考訳（メタデータ） (2024-07-27T02:49:55Z)
Large Language Models Must Be Taught to Know What They Don't Know [97.90008709512921]
正解と誤解の小さなデータセットを微調整すると、高い一般化と計算オーバーヘッドの少ない不確実性推定が得られることを示す。また,確実な不確実性推定を可能にする機構についても検討し,多くのモデルを汎用的不確実性推定器として利用することができることを示した。
論文参考訳（メタデータ） (2024-06-12T16:41:31Z)
Towards Robust Real-Time Hardware-based Mobile Malware Detection using Multiple Instance Learning Formulation [16.647167616059594]
本研究では,モバイルデバイス用ハードウェアベースのマルウェア検出装置RT-HMDを紹介する。リアルタイムHMDでは、マルウェアの時系列の良質なセグメントが誤ってマルウェアのラベルを継承している。
論文参考訳（メタデータ） (2024-04-19T18:28:38Z)
Bayesian Learned Models Can Detect Adversarial Malware For Free [28.498994871579985]
対数訓練は有効な方法であるが、大規模データセットにスケールアップするには計算コストがかかる。特にベイズ式はモデルパラメータの分布を捉えることができ、モデル性能を犠牲にすることなく不確実性を定量化することができる。ベイズ学習法で不確実性を定量化することで、敵のマルウェアを防御できることがわかった。
論文参考訳（メタデータ） (2024-03-27T07:16:48Z)
Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文参考訳（メタデータ） (2023-04-13T17:56:08Z)
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)
Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文参考訳（メタデータ） (2021-11-19T08:02:38Z)
ML-based IoT Malware Detection Under Adversarial Settings: A Systematic Evaluation [9.143713488498513]
本研究は,様々な表現と学習技術を利用した最先端のマルウェア検出手法を体系的に検討する。本研究では, 剥ぎ取りやパディングなどの機能保存操作によるソフトウェア変異が, 検出精度を著しく低下させることを示した。
論文参考訳（メタデータ） (2021-08-30T16:54:07Z)
Stochastic-HMDs: Adversarial Resilient Hardware Malware Detectors through Voltage Over-scaling [3.5803801804085347]
機械学習ベースのハードウェアマルウェアディテクタ(HMD)は、マルウェアからシステムを守るための潜在的なゲーム変更の優位性を提供します。 HMDは敵の攻撃に悩まされ、効果的にリバースエンジニアリングされ、その後回避され、マルウェアが検出から隠れることができる。本稿では,HMDの対向回避攻撃に対する耐性を高めるため,近似計算による新しいHMD(Stochastic-HMD)を提案する。
論文参考訳（メタデータ） (2021-03-11T20:18:40Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。