Fugu-MT 論文翻訳(概要): HAPSSA: Holistic Approach to PDF Malware Detection Using Signal and Statistical Analysis

論文の概要: HAPSSA: Holistic Approach to PDF Malware Detection Using Signal and Statistical Analysis

arxiv url: http://arxiv.org/abs/2111.04703v1
Date: Mon, 8 Nov 2021 18:32:47 GMT
ステータス: 処理完了
システム内更新日: 2021-11-09 17:49:21.719361
Title: HAPSSA: Holistic Approach to PDF Malware Detection Using Signal and Statistical Analysis
Title（参考訳）: hapssa:signalとstatistic analysisを用いたpdfマルウェア検出の総合的アプローチ
Authors: Tajuddin Manhar Mohammed, Lakshmanan Nataraj, Satish Chikkagoudar, Shivkumar Chandrasekaran, B.S. Manjunath
Abstract要約: 悪意あるPDF文書は、様々なセキュリティ組織に深刻な脅威をもたらす。最先端のアプローチでは、機械学習(ML)を使用してPDFマルウェアを特徴付ける機能を学ぶ。本稿では,PDF マルウェア検出のための簡易かつ効果的な総合的なアプローチを導出する。
参考スコア（独自算出の注目度）: 16.224649756613655
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Malicious PDF documents present a serious threat to various security organizations that require modern threat intelligence platforms to effectively analyze and characterize the identity and behavior of PDF malware. State-of-the-art approaches use machine learning (ML) to learn features that characterize PDF malware. However, ML models are often susceptible to evasion attacks, in which an adversary obfuscates the malware code to avoid being detected by an Antivirus. In this paper, we derive a simple yet effective holistic approach to PDF malware detection that leverages signal and statistical analysis of malware binaries. This includes combining orthogonal feature space models from various static and dynamic malware detection methods to enable generalized robustness when faced with code obfuscations. Using a dataset of nearly 30,000 PDF files containing both malware and benign samples, we show that our holistic approach maintains a high detection rate (99.92%) of PDF malware and even detects new malicious files created by simple methods that remove the obfuscation conducted by malware authors to hide their malware, which are undetected by most antiviruses.
Abstract（参考訳）: 悪意のあるpdf文書は、pdfマルウェアの身元と振る舞いを効果的に分析し特徴付けるために、現代の脅威インテリジェンスプラットフォームを必要とする様々なセキュリティ組織に深刻な脅威をもたらす。最先端のアプローチでは、機械学習(ML)を使用してPDFマルウェアを特徴付ける機能を学ぶ。しかし、MLモデルは、敵がマルウェアコードを難読化してアンチウイルスによって検出されるのを避けるという、回避攻撃の影響を受けることが多い。本稿では,マルウェアバイナリの信号および統計解析を利用したpdfマルウェア検出に対する,単純かつ効果的な包括的アプローチを導出する。これには、様々な静的および動的マルウェア検出方法からの直交的特徴空間モデルを組み合わせることで、コードの難読化に直面した際の汎用ロバスト性を実現する。マルウェアと良性サンプルの両方を含む3万近いPDFファイルのデータセットを用いて、我々の総合的なアプローチは、PDFマルウェアの高検出率(99.92%)を維持し、マルウェア作者がマルウェアを隠蔽するために行う難読化を除去する単純な方法によって生成された新しい悪意のあるファイルさえも検出することを示した。

関連論文リスト

A Feature Set of Small Size for the PDF Malware Detection [8.282177703075451]
PDFファイルのドメイン知識をあまり必要としない小さな機能セットを提案する。ランダムフォレストモデルを用いた場合の最適精度は99.75%である。その質素なサイズにもかかわらず、我々は、はるかに大きな機能セットを使用する最先端技術に匹敵する結果を得る。
論文参考訳（メタデータ） (2023-08-09T04:51:28Z)
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)
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)
PDF-Malware: An Overview on Threats, Detection and Evasion Attacks [0.966840768820136]
PDFが広く使われるようになったことで、良心的ユーザーの間では、本質的な安全性の虚偽の印象が生まれている。本稿では,PDFマルウェア検出問題の概要について述べる。
論文参考訳（メタデータ） (2021-07-27T15:15:20Z)
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)
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 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)
Detecting malicious PDF using CNN [46.86114958340962]
悪意のあるPDFファイルは、コンピュータセキュリティに対する最大の脅威の1つだ。本稿では,ファイルのバイトレベルにおける畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた新しいアルゴリズムを提案する。オンラインでダウンロード可能な90000ファイルのデータセットを用いて,本手法はPDFマルウェアの高検出率(94%)を維持していることを示す。
論文参考訳（メタデータ） (2020-07-24T18:27:45Z)

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。