論文の概要: A proactive malicious software identification approach for digital
forensic examiners
- arxiv url: http://arxiv.org/abs/2109.09567v1
- Date: Mon, 20 Sep 2021 14:22:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:14:35.873909
- Title: A proactive malicious software identification approach for digital
forensic examiners
- Title(参考訳): デジタル法医学検査者のための能動的悪意あるソフトウェア識別手法
- Authors: Muhammad Ali, Stavros Shiaeles, Nathan Clarke, Dimitrios Kontogeorgis
- Abstract要約: 本稿では,悪質なソフトウェアとOSアーティファクトの関係を判定し,関連づけるため,各種Windowsオペレーティングシステム上でのマルウェアの挙動について検討する。
これにより、調査員は、新たなマルウェアの存在を特定する上でより効率的になり、さらなる調査の出発点となる。
- 参考スコア(独自算出の注目度): 0.6845629632971971
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Digital investigators often get involved with cases, which seemingly point
the responsibility to the person to which the computer belongs, but after a
thorough examination malware is proven to be the cause, causing loss of
precious time. Whilst Anti-Virus (AV) software can assist the investigator in
identifying the presence of malware, with the increase in zero-day attacks and
errors that exist in AV tools, this is something that cannot be relied upon.
The aim of this paper is to investigate the behaviour of malware upon various
Windows operating system versions in order to determine and correlate the
relationship between malicious software and OS artifacts. This will enable an
investigator to be more efficient in identifying the presence of new malware
and provide a starting point for further investigation.
- Abstract(参考訳): デジタル捜査員は、コンピュータが属する人物に責任を示すような事件にしばしば関与するが、徹底的な検査の結果、マルウェアが原因であることが証明され、貴重な時間を失うことになる。
アンチウイルス(AV)ソフトウェアは、調査員がマルウェアの存在を特定するのを助けることができるが、AVツールに存在するゼロデイ攻撃やエラーの増加は、頼りにできないことだ。
本研究の目的は、悪意あるソフトウェアとOSアーティファクトの関係を判定し、関連づけるため、様々なWindowsオペレーティングシステムバージョンにおけるマルウェアの挙動を調べることである。
これにより、研究者は新しいマルウェアの存在を識別し、さらなる調査の出発点を提供することができる。
関連論文リスト
- 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) - Multi-view Representation Learning from Malware to Defend Against
Adversarial Variants [11.45498656419419]
本稿では,DLをベースとしたマルウェア検出装置の敵的変異に対する堅牢性を向上させるための,新たな多視点学習フレームワークであるAdversarially Robust Multiview Malware Defense (ARMD)を提案する。
6つの一般的なマルウェアカテゴリにわたる3つの有名なオープンソースのディープラーニングベースのマルウェア検出実験は、ARMDがこれらのマルウェア検出装置上で最大7倍の敵の堅牢性を向上できることを示している。
論文 参考訳(メタデータ) (2022-10-25T22:25:50Z) - Malware Detection and Prevention using Artificial Intelligence
Techniques [7.583480439784955]
マルウェアの活動の増加により、セキュリティが大きな問題となっている。
本研究では,マルウェアの活動を検出し防止するための人工知能(AI)に基づく手法を強調した。
論文 参考訳(メタデータ) (2022-06-26T02:41:46Z) - 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) - 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) - A Novel Malware Detection Mechanism based on Features Extracted from
Converted Malware Binary Images [0.22843885788439805]
マルウェアのバイナリイメージを使用して、異なる特徴を抽出し、得られたデータセットに異なるML分類器を用いる。
本手法は,抽出した特徴に基づくマルウェアの分類に成功していることを示す。
論文 参考訳(メタデータ) (2021-04-14T06:55:52Z) - Early Detection of In-Memory Malicious Activity based on Run-time
Environmental Features [4.213427823201119]
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。
論文 参考訳(メタデータ) (2021-03-30T02:19:00Z) - 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。