論文の概要: Malware Classification Using Transfer Learning
- arxiv url: http://arxiv.org/abs/2107.13743v1
- Date: Thu, 29 Jul 2021 04:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-30 13:09:25.020389
- Title: Malware Classification Using Transfer Learning
- Title(参考訳): 転送学習を用いたマルウェア分類
- Authors: Hikmat Farhat and Veronica Rammouz
- Abstract要約: マルウェアの急激な分類は、その脅威に対処するための重要なツールだ。
分類において成功したアプローチの1つは、マルウェアの画像とディープラーニングに基づくものである。
ほぼ全員が、非常に短い訓練期間でマルウェアを正確に分類していることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid growth of the number of devices on the Internet, malware poses
a threat not only to the affected devices but also their ability to use said
devices to launch attacks on the Internet ecosystem. Rapid malware
classification is an important tools to combat that threat. One of the
successful approaches to classification is based on malware images and deep
learning. While many deep learning architectures are very accurate they usually
take a long time to train. In this work we perform experiments on multiple well
known, pre-trained, deep network architectures in the context of transfer
learning. We show that almost all them classify malware accurately with a very
short training period.
- Abstract(参考訳): インターネット上のデバイス数の増加に伴い、マルウェアは影響を受けるデバイスだけでなく、そのデバイスを使ってインターネットエコシステムへの攻撃を開始する能力にも脅威をもたらす。
マルウェアの迅速な分類は、その脅威に対処する重要なツールである。
分類において成功したアプローチの1つは、マルウェアの画像とディープラーニングに基づくものである。
多くのディープラーニングアーキテクチャは非常に正確だが、トレーニングには通常長い時間がかかる。
本研究では、トランスファー学習の文脈で、複数のよく知られた、事前学習されたディープネットワークアーキテクチャで実験を行う。
ほぼ全員が、非常に短い訓練期間でマルウェアを正確に分類している。
関連論文リスト
- Evil from Within: Machine Learning Backdoors through Hardware Trojans [72.99519529521919]
バックドアは、自動運転車のようなセキュリティクリティカルなシステムの整合性を損なう可能性があるため、機械学習に深刻な脅威をもたらす。
私たちは、機械学習のための一般的なハードウェアアクセラレーターに完全に存在するバックドアアタックを導入します。
我々は,Xilinx Vitis AI DPUにハードウェアトロイの木馬を埋め込むことにより,攻撃の実現可能性を示す。
論文 参考訳(メタデータ) (2023-04-17T16:24:48Z) - 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) - 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) - A Survey of Machine Learning Algorithms for Detecting Malware in IoT
Firmware [0.0]
本稿では、IoTファームウェアの分類に機械学習アルゴリズムを多数使用し、最高のパフォーマンスモデルについて報告する。
ConvolutionalやFully Connected Neural Networksといったディープラーニングアプローチも検討されている。
論文 参考訳(メタデータ) (2021-11-03T17:55:51Z) - Malware Squid: A Novel IoT Malware Traffic Analysis Framework using
Convolutional Neural Network and Binary Visualisation [2.309914459672557]
ニューラルネットワークとバイナリビジュアライゼーションを用いた新しいIoTマルウェアトラフィック分析手法を提案する。
提案手法の最大の動機は、新しいマルウェア(ゼロデイマルウェア)を素早く検出し分類することである。
論文 参考訳(メタデータ) (2021-09-08T00:21:45Z) - Binary Black-box Evasion Attacks Against Deep Learning-based Static
Malware Detectors with Adversarial Byte-Level Language Model [11.701290164823142]
MalRNNは、制限なく回避可能なマルウェアバリアントを自動的に生成する新しいアプローチです。
MalRNNは、3つの最近のディープラーニングベースのマルウェア検出器を効果的に回避し、現在のベンチマークメソッドを上回ります。
論文 参考訳(メタデータ) (2020-12-14T22:54:53Z) - 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 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) - Federated and continual learning for classification tasks in a society
of devices [59.45414406974091]
Light Federated and Continual Consensus (LFedCon2)は、軽量で伝統的な学習者を用いた新しいフェデレーションおよび継続アーキテクチャである。
我々の方法では、スマートフォンやロボットのような無力デバイスが、リアルタイムで、ローカルで、継続的に、自律的に、そしてユーザーから学習することができる。
提案手法をスマートフォン利用者の異種コミュニティに適用し,歩行認識の課題を解決した。
論文 参考訳(メタデータ) (2020-06-12T12:37:03Z) - Deep Learning and Open Set Malware Classification: A Survey [0.0]
最近の機械学習の研究は、機械学習におけるオープンセット認識(OSR)問題に光を当てている。
OSRシステムは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識すべきである。
本調査では,さまざまなディープラーニング技術の概要,OSRとグラフ表現ソリューションの議論,マルウェア分類システムの導入について概説する。
論文 参考訳(メタデータ) (2020-04-08T21:36:21Z) - Enhanced Adversarial Strategically-Timed Attacks against Deep
Reinforcement Learning [91.13113161754022]
本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。
実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
論文 参考訳(メタデータ) (2020-02-20T21:39:25Z)
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。