論文の概要: Malware Classification Using Deep Boosted Learning
- arxiv url: http://arxiv.org/abs/2107.04008v1
- Date: Thu, 8 Jul 2021 17:53:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:40:17.651224
- Title: Malware Classification Using Deep Boosted Learning
- Title（参考訳）: 深層学習を用いたマルウェア分類
- Authors: Muhammad Asam, Saddam Hussain Khan, Tauseef Jamal, Umme Zahoora,
Asifullah Khan
- Abstract要約: 本研究は,Deep boosted Feature Space-based Malware Classification (DFS-MC) と題する,新たなハイブリッド学習型マルウェア分類フレームワークを提案する。
提案フレームワークでは,最高のカスタマイズCNNアーキテクチャモデルの特徴空間と,分類のためのSVMによる識別を融合することにより,識別能力が向上する。
DFS-MCは98.61%、Fスコアは0.96、精度は0.96、リコールは0.96である。
- 参考スコア（独自算出の注目度）: 0.6562256987706127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Malicious activities in cyberspace have gone further than simply hacking
machines and spreading viruses. It has become a challenge for a nations
survival and hence has evolved to cyber warfare. Malware is a key component of
cyber-crime, and its analysis is the first line of defence against attack. This
work proposes a novel deep boosted hybrid learning-based malware classification
framework and named as Deep boosted Feature Space-based Malware classification
(DFS-MC). In the proposed framework, the discrimination power is enhanced by
fusing the feature spaces of the best performing customized CNN architectures
models and its discrimination by an SVM for classification. The discrimination
capacity of the proposed classification framework is assessed by comparing it
against the standard customized CNNs. The customized CNN models are implemented
in two ways: softmax classifier and deep hybrid learning-based malware
classification. In the hybrid learning, Deep features are extracted from
customized CNN architectures and fed into the conventional machine learning
classifier to improve the classification performance. We also introduced the
concept of transfer learning in a customized CNN architecture based malware
classification framework through fine-tuning. The performance of the proposed
malware classification approaches are validated on the MalImg malware dataset
using the hold-out cross-validation technique. Experimental comparisons were
conducted by employing innovative, customized CNN, trained from scratch and
fine-tuning the customized CNN using transfer learning. The proposed
classification framework DFS-MC showed improved results, Accuracy: 98.61%,
F-score: 0.96, Precision: 0.96, and Recall: 0.96.
- Abstract（参考訳）: サイバースペースにおける悪意のある活動は、単にマシンをハッキングし、ウイルスを拡散する以上のものになった。
これは国家が生き残るための挑戦となり、それゆえサイバー戦争へと進化した。
マルウェアはサイバー犯罪の重要な要素であり、その分析は攻撃に対する最初の防衛線である。
本研究は,deep boosted feature space-based malware classification (dfs-mc) と呼ばれる,新しい深層学習型マルウェア分類フレームワークを提案する。
提案フレームワークでは,最高のカスタマイズCNNアーキテクチャモデルの特徴空間と,分類のためのSVMによる識別を融合することにより,識別能力が向上する。
提案する分類フレームワークの識別能力は,標準のカスタマイズCNNと比較することで評価する。
カスタマイズされたcnnモデルは、softmax分類器とdeep hybrid learningベースのマルウェア分類の2つの方法で実装されている。
ハイブリッド学習では、カスタマイズされたcnnアーキテクチャから深い特徴を抽出し、従来の機械学習分類器に供給し、分類性能を向上させる。
我々はまた、微調整によるCNNアーキテクチャに基づくマルウェア分類フレームワークにおいて、転送学習の概念を導入した。
提案するマルウェア分類手法の性能は,MalImgマルウェアデータセット上で,ホールドアウトクロスバリデーション手法を用いて検証する。
実験では,革新的でカスタマイズされたcnnを用い,スクラッチから学習し,トランスファー学習を用いてカスタマイズしたcnnを微調整した。
提案する分類フレームワークdfs-mcは, 精度が98.61%, f-score: 0.96, 精度: 0.96, リコール: 0.96であった。
関連論文リスト
- Undermining Image and Text Classification Algorithms Using Adversarial Attacks [0.0]
本研究は,各種機械学習モデルを訓練し,GANとSMOTEを用いてテキスト分類モデルへの攻撃を目的とした追加データポイントを生成することにより,そのギャップを解消する。
実験の結果,分類モデルの重大な脆弱性が明らかとなった。特に,攻撃後の最上位のテキスト分類モデルの精度が20%低下し,顔認識精度が30%低下した。
論文 参考訳（メタデータ） (2024-11-03T18:44:28Z) - Explainability-Informed Targeted Malware Misclassification [0.0]
マルウェア分類をカテゴリに分類する機械学習モデルは有望な結果を示している。
ディープニューラルネットワークは、意図的な敵攻撃に対する脆弱性を示している。
本稿では,ニューラルネットワークを用いたマルウェア分類システムにおいて,このような攻撃的脆弱性について検討する。
論文 参考訳（メタデータ） (2024-05-07T04:59:19Z) - Fine-tuning of explainable CNNs for skin lesion classification based on
dermatologists' feedback towards increasing trust [2.2237337682863125]
本稿では,2つの出力に対して同時フィードバックを行うCNNファインチューニング手法を提案する。
皮膚病変分類タスクにおけるこのフィードバック戦略の効果を示し、CNNが2種類のユーザフィードバックにどう反応するかを測定する。
論文 参考訳（メタデータ） (2023-04-03T22:30:08Z) - BinImg2Vec: Augmenting Malware Binary Image Classification with Data2Vec [0.0]
マルウェア・アズ・ア・サービス(Malware-as-a-service)は現在、サイバー犯罪者のブームとなっている。
マルウェア活動の急増に伴い、サイバーディフェンダーは、手元にあるマルウェアのサンプルについてより深く理解することが不可欠である。
本稿では,自己教師付き学習と教師付き学習の両方を取り入れた,マルウェアバイナリイメージ分類器のトレーニングフレームワークであるBinImg2Vecを紹介する。
論文 参考訳（メタデータ） (2022-09-02T01:55:26Z) - Class-Discriminative CNN Compression [10.675326899147802]
我々は,CNNのトレーニング目標を促進するために,プルーニングと蒸留の両方でクラス識別を注入するクラス識別圧縮(CDC)を提案する。
CDC は CIFAR と ILSVRC 2012 で評価されている。
論文 参考訳（メタデータ） (2021-10-21T02:54:05Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳（メタデータ） (2020-12-20T23:24:31Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Learning CNN filters from user-drawn image markers for coconut-tree
image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。
本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。
バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文 参考訳（メタデータ） (2020-08-08T15:50:23Z) - A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN
Classifiers [54.996358399108566]
本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。
最先端のきめ細かい分類器と比較する。
実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
論文 参考訳（メタデータ） (2020-03-24T23:49:14Z)
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。