論文の概要: Early Detection of In-Memory Malicious Activity based on Run-time Environmental Features

• arxiv url: http://arxiv.org/abs/2103.16029v1
• Date: Tue, 30 Mar 2021 02:19:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:36:27.443724
• Title: Early Detection of In-Memory Malicious Activity based on Run-time Environmental Features
• Title（参考訳）: 実行時環境特徴に基づく記憶内異常活動の早期検出
• Authors: Dorel Yaffe and Danny Hendler
• Abstract要約: 攻撃前に行われたメモリ内の悪意ある活動を検出するための新しいエンドツーエンドソリューションを提案する。 このソリューションは、オーバーヘッドと偽陽性の低減とデプロイの簡略化を実現します。
• 参考スコア（独自算出の注目度）: 4.213427823201119
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years malware has become increasingly sophisticated and difficult to detect prior to exploitation. While there are plenty of approaches to malware detection, they all have shortcomings when it comes to identifying malware correctly prior to exploitation. The trade-off is usually between false positives, causing overhead, preventing normal usage and the risk of letting the malware execute and cause damage to the target. We present a novel end-to-end solution for in-memory malicious activity detection done prior to exploitation by leveraging machine learning capabilities based on data from unique run-time logs, which are carefully curated in order to detect malicious activity in the memory of protected processes. This solution achieves reduced overhead and false positives as well as deployment simplicity. We implemented our solution for Windows-based systems, employing multi disciplinary knowledge from malware research, machine learning, and operating system internals. Our experimental evaluation yielded promising results. As we expect future sophisticated malware may try to bypass it, we also discuss how our solution can be extended to thwart such bypassing attempts.
• Abstract（参考訳）: 近年,攻撃前にマルウェアの検出が困難になり,高度化が進んでいる。 マルウェア検出には多くのアプローチがありますが、悪用される前にマルウェアを正しく識別する上では欠点があります。 トレードオフは通常、偽陽性であり、オーバーヘッドを引き起こし、通常の使用を妨げ、マルウェアを実行させ、ターゲットにダメージを与えるリスクがある。 本稿では,保護されたプロセスのメモリ内の悪意のあるアクティビティを検出するために,ユニークな実行時ログのデータに基づいて,機械学習機能を活用することによって,悪質なアクティビティを検出するための新たなエンドツーエンドソリューションを提案する。 このソリューションはオーバーヘッドと偽陽性を低減し、デプロイをシンプルにする。 我々は,マルウェア研究,機械学習,オペレーティングシステム内部からの多分野知識を活用し,Windowsベースのシステムに対するソリューションを実装した。 実験の結果は有望な結果を得た。 将来の高度なマルウェアがそれをバイパスしようとするのを期待する一方で、我々のソリューションがそのような回避の試みを阻止するためにどのように拡張できるかについても議論する。

関連論文リスト

• EarlyMalDetect: A Novel Approach for Early Windows Malware Detection Based on Sequences of API Calls [0.7373617024876725]
  API呼び出しのシーケンスに基づく早期Windowsマルウェア検出のための新しいアプローチであるEarlyMalDetectを提案する。 EarlyMalDetectは、マルウェアプログラムがターゲットシステムで実行される前に予測し、公開することができる。 大規模な実験により,本手法はマルウェアの挙動を予測するのに極めて有効であることが示された。
  論文  参考訳（メタデータ） (2024-07-18T09:54:33Z)
• Understanding crypter-as-a-service in a popular underground marketplace [51.328567400947435]
  Cryptersは、ターゲットバイナリを変換することで、アンチウイルス(AV)アプリケーションからの検出を回避できるソフトウェアの一部です。 シークレット・アズ・ア・サービスモデルは,検出機構の高度化に対応して人気を博している。 本論文は,シークレット・アズ・ア・サービスに特化したオンライン地下市場に関する最初の研究である。
  論文  参考訳（メタデータ） (2024-05-20T08:35:39Z)
• Enhancing Enterprise Network Security: Comparing Machine-Level and Process-Level Analysis for Dynamic Malware Detection [2.812395851874055]
  動的解析は、静的解析をバイパスするために一般的に使用される回避テクニックを克服することができる。 悪意のあるマシンは、必ずしもマシン上で実行しているすべてのプロセスが悪意があるという意味ではない。 バックグラウンドアプリケーションの存在は、過去の最先端の精度を平均で約20.12%低下させる。
  論文  参考訳（メタデータ） (2023-10-27T14:17:35Z)
• 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)
• Ransomware Detection using Process Memory [0.0]
  本研究はランサムウェアの内部動作と機能に焦点を当てる。 ランサムウェアファミリーの新しい署名と指紋を識別して、新しいランサムウェア攻撃を正しく分類することができる。 いくつかの有名な機械学習アルゴリズムが81.38から96.28パーセントの精度で探索された。
  論文  参考訳（メタデータ） (2022-03-31T08:03:48Z)
• Detecting Ransomware Execution in a Timely Manner [0.0]
  近年では、ランサムウェアは従来の計算資源からサイバー物理システムや産業制御にまで広がった。 仮想インスタンスがランサムウェアに感染する一連の実験を考案した。 ランサムウェア実行を識別するための変更点検出学習法を設計する。
  論文  参考訳（メタデータ） (2022-01-12T11:40:59Z)
• 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)
• 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)
• Being Single Has Benefits. Instance Poisoning to Deceive Malware Classifiers [47.828297621738265]
  攻撃者は、マルウェア分類器を訓練するために使用されるデータセットをターゲットとした、高度で効率的な中毒攻撃を、どのように起動できるかを示す。 マルウェア検出領域における他の中毒攻撃とは対照的に、我々の攻撃はマルウェアファミリーではなく、移植されたトリガーを含む特定のマルウェアインスタンスに焦点を当てている。 我々は、この新たに発見された深刻な脅威に対する将来の高度な防御に役立つ包括的検出手法を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:27:44Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。