Fugu-MT 論文翻訳(概要): Machine Learning for Malware Evolution Detection

論文の概要: Machine Learning for Malware Evolution Detection

arxiv url: http://arxiv.org/abs/2107.01627v1
Date: Sun, 4 Jul 2021 13:47:06 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 02:47:36.401776
Title: Machine Learning for Malware Evolution Detection
Title（参考訳）: マルウェア進化検出のための機械学習
Authors: Lolitha Sresta Tupadha and Mark Stamp
Abstract要約: 我々は、マルウェアの進化がいつ起こるかを決定するために、かなりの数のマルウェアファミリーで実験を行う。隠れマルコフモデル (HMM) と単語埋め込み技術 HMM2Vec と Word2Vec に基づく解析について考察する。
参考スコア（独自算出の注目度）: 4.111899441919165
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Malware evolves over time and antivirus must adapt to such evolution. Hence, it is critical to detect those points in time where malware has evolved so that appropriate countermeasures can be undertaken. In this research, we perform a variety of experiments on a significant number of malware families to determine when malware evolution is likely to have occurred. All of the evolution detection techniques that we consider are based on machine learning and can be fully automated -- in particular, no reverse engineering or other labor-intensive manual analysis is required. Specifically, we consider analysis based on hidden Markov models (HMM) and the word embedding techniques HMM2Vec and Word2Vec.
Abstract（参考訳）: マルウェアは時間とともに進化し、ウイルスはそのような進化に適応しなければならない。したがって、マルウェアが進化した時点でこれらの点を検出することが重要であり、適切な対策が実施できる。本研究では,マルウェアの進化がいつ起こるかを決定するために,かなりの数のマルウェアファミリーについて様々な実験を行った。私たちが考慮している進化検出技術はすべて機械学習に基づいており、完全に自動化することができる。具体的には,隠れマルコフモデル (HMM) と単語埋め込み技術 HMM2Vec と Word2Vec を用いて解析を行う。

関連論文リスト

Explainable Malware Analysis: Concepts, Approaches and Challenges [0.0]
我々は、現在最先端のMLベースのマルウェア検出技術と、一般的なXAIアプローチについてレビューする。本稿では,本研究の実施状況と説明可能なマルウェア解析の課題について論じる。この理論的調査は、マルウェア検出におけるXAI応用に関心を持つ研究者のエントリポイントとなる。
論文参考訳（メタデータ） (2024-09-09T08:19:33Z)
Harnessing the Speed and Accuracy of Machine Learning to Advance Cybersecurity [0.0]
従来のシグネチャベースのマルウェア検出方法は、複雑な脅威を検出するのに制限がある。近年、機械学習はマルウェアを効果的に検出する有望なソリューションとして出現している。 MLアルゴリズムは、大規模なデータセットを分析し、人間が識別するのが困難なパターンを特定することができる。
論文参考訳（メタデータ） (2023-02-24T02:42:38Z)
AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文参考訳（メタデータ） (2022-10-21T16:31:46Z)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
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)
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)
Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文参考訳（メタデータ） (2021-07-28T10:28:05Z)
Evading Malware Classifiers via Monte Carlo Mutant Feature Discovery [23.294653273180472]
悪意のあるアクターが代理モデルを訓練して、インスタンスが誤分類される原因となるバイナリ変異を発見する方法を示す。そして、変異したマルウェアが、抗ウイルスAPIの代わりとなる被害者モデルに送られ、検出を回避できるかどうかをテストする。
論文参考訳（メタデータ） (2021-06-15T03:31:02Z)
Word Embedding Techniques for Malware Evolution Detection [4.111899441919165]
マルウェアファミリーが進化する可能性のある時点でのポイントの検出を目的とした,さまざまな実験を行う。いくつかのマルウェアファミリーが分析され、それぞれが長期間にわたって収集された多数のサンプルを含んでいる。実験は, 単語埋め込み技術に基づく機能工学を用いて, 改良結果を得たことを示す。
論文参考訳（メタデータ） (2021-03-07T14:55:32Z)
Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文参考訳（メタデータ） (2020-10-19T13:09:31Z)

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。