論文の概要: DexRay: A Simple, yet Effective Deep Learning Approach to Android
Malware Detection based on Image Representation of Bytecode
- arxiv url: http://arxiv.org/abs/2109.03326v1
- Date: Sun, 5 Sep 2021 16:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-09 13:35:07.748856
- Title: DexRay: A Simple, yet Effective Deep Learning Approach to Android
Malware Detection based on Image Representation of Bytecode
- Title（参考訳）: DexRay: Bytecodeの画像表現に基づくAndroidのマルウェア検出のためのシンプルで効果的なディープラーニングアプローチ
- Authors: Nadia Daoudi, Jordan Samhi, Abdoul Kader Kabore, Kevin Allix,
Tegawend\'e F. Bissyand\'e, and Jacques Klein
- Abstract要約: 画像に基づくマルウェア検出のためのベースラインパイプラインを,簡単なステップで開発・評価する。
アプリケーションDEXファイルのバイトコードをグレースケールの「ベクター」画像に変換し、1次元畳み込みニューラルネットワークモデルにフィードするDexRayを提案する。
158k以上のアプリケーションで評価されたDexRayの性能は、単純ではあるが、我々のアプローチは高い検出率で有効であることを示している。
- 参考スコア（独自算出の注目度）: 3.820544053981168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer vision has witnessed several advances in recent years, with
unprecedented performance provided by deep representation learning research.
Image formats thus appear attractive to other fields such as malware detection,
where deep learning on images alleviates the need for comprehensively
hand-crafted features generalising to different malware variants. We postulate
that this research direction could become the next frontier in Android malware
detection, and therefore requires a clear roadmap to ensure that new approaches
indeed bring novel contributions. We contribute with a first building block by
developing and assessing a baseline pipeline for image-based malware detection
with straightforward steps. We propose DexRay, which converts the bytecode of
the app DEX files into grey-scale "vector" images and feeds them to a
1-dimensional Convolutional Neural Network model. We view DexRay as
foundational due to the exceedingly basic nature of the design choices,
allowing to infer what could be a minimal performance that can be obtained with
image-based learning in malware detection. The performance of DexRay evaluated
on over 158k apps demonstrates that, while simple, our approach is effective
with a high detection rate(F1-score= 0.96). Finally, we investigate the impact
of time decay and image-resizing on the performance of DexRay and assess its
resilience to obfuscation. This work-in-progress paper contributes to the
domain of Deep Learning based Malware detection by providing a sound, simple,
yet effective approach (with available artefacts) that can be the basis to
scope the many profound questions that will need to be investigated to fully
develop this domain.
- Abstract（参考訳）: コンピュータビジョンは近年、深層表現学習研究による前例のない業績でいくつかの進歩を目撃している。
これにより、画像の深層学習は、様々なマルウェアの変種に一般化した包括的な手作り機能の必要性を軽減する。
この研究の方向性がAndroidマルウェア検出の次のフロンティアになると仮定し、新しいアプローチが本当に新しい貢献をもたらすためには明確なロードマップが必要である。
画像に基づくマルウェア検出のためのベースラインパイプラインを,簡単なステップで開発し,評価することで,最初のビルディングブロックに貢献する。
本稿では,アプリケーションdexファイルのバイトコードをgrey-scale "vector" 画像に変換し,それらを1次元畳み込みニューラルネットワークモデルに供給するdexrayを提案する。
我々は、DexRayをデザイン選択の極めて基本的な性質から基礎的なものとみなし、マルウェア検出におけるイメージベースの学習によって得られる最小性能を推測する。
158k以上のアプリケーションで評価したDexRayの性能は,単純ながら高い検出率(F1-score=0.96)で有効であることを示す。
最後に, 時間減衰と画像の縮小がDexRayの性能に及ぼす影響について検討し, その難燃性を評価する。
本論文は,この領域を十分に発展させるために必要な多くの重大な疑問を対象とする,健全でシンプルで効果的なアプローチ(アーティファクトが利用可能な)を提供することによって,ディープラーニングに基づくマルウェア検出の領域に寄与する。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳（メタデータ） (2024-10-30T10:33:10Z) - Zero-Shot Detection of AI-Generated Images [54.01282123570917]
AI生成画像を検出するゼロショットエントロピー検出器(ZED)を提案する。
機械によるテキスト検出の最近の研究に触発された私たちのアイデアは、分析対象の画像が実際の画像のモデルと比較してどれだけ驚くかを測定することである。
ZEDは精度の点でSoTAよりも平均3%以上改善されている。
論文 参考訳（メタデータ） (2024-09-24T08:46:13Z) - High-resolution Image-based Malware Classification using Multiple
Instance Learning [0.0]
本稿では,高解像度グレースケール画像と複数インスタンス学習を用いて,マルウェアを家族に分類する方法を提案する。
この実装はMicrosoft Malware Classificationデータセットで評価され、反対に拡大されたサンプルに対して最大96.6%のアキュラシーを達成している。
論文 参考訳（メタデータ） (2023-11-21T18:11:26Z) - A Survey on Malware Detection with Graph Representation Learning [0.0]
マルウェアの検出は、マルウェアの数と複雑さの増大により、大きな関心事となっている。
近年、機械学習(ML)、特にディープラーニング(DL)は、データから有用な表現を学習することで、マルウェア検出において印象的な成果を上げている。
本稿は、共通アプローチとアーキテクチャの下で既存の作品を要約し、統一するための詳細な文献レビューを提供する。
論文 参考訳（メタデータ） (2023-03-28T14:27:08Z) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳（メタデータ） (2022-11-14T03:51:12Z) - Design of secure and robust cognitive system for malware detection [0.571097144710995]
インプットサンプルに摂動をインテリジェントに作り、付加することで、敵対するサンプルが生成される。
この論文の目的は、重要なシステムのセキュリティ問題に対処することである。
ステルス性マルウェアを検出する新しい手法が提案されている。
論文 参考訳（メタデータ） (2022-08-03T18:52:38Z) - RestoreDet: Degradation Equivariant Representation for Object Detection
in Low Resolution Images [81.91416537019835]
劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。
CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
論文 参考訳（メタデータ） (2022-01-07T03:40:23Z) - Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。
本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。
種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
論文 参考訳（メタデータ） (2021-05-29T21:22:24Z) - Image Restoration by Deep Projected GSURE [115.57142046076164]
Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。
本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-04T08:52:46Z) - Malware Detection Using Frequency Domain-Based Image Visualization and
Deep Learning [16.224649756613655]
画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。
実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。
浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
論文 参考訳（メタデータ） (2021-01-26T06:07:46Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z)
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。