Fugu-MT 論文翻訳(概要): Adversarial Patterns: Building Robust Android Malware Classifiers

論文の概要: Adversarial Patterns: Building Robust Android Malware Classifiers

arxiv url: http://arxiv.org/abs/2203.02121v1
Date: Fri, 4 Mar 2022 03:47:08 GMT
ステータス: 処理完了
システム内更新日: 2022-03-07 22:45:51.059720
Title: Adversarial Patterns: Building Robust Android Malware Classifiers
Title（参考訳）: adversarial patterns: 堅牢なandroidマルウェア分類器の構築
Authors: Dipkamal Bhusal, Nidhi Rastogi
Abstract要約: 本稿では,アンドロイドマルウェアに対する対人機械学習について述べる。まず、画像ベースとテキストベースの特徴抽出アプローチの両方をカバーする、アンドロイドマルウェアの機械学習分類器を構築する際の幅広い背景を示す。次に,避難攻撃と防衛に関する最先端研究のパターンと進展について検討する。
参考スコア（独自算出の注目度）: 1.90365714903665
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning-based classifiers have substantially improved recognition of malware samples. However, these classifiers can be vulnerable to adversarial input perturbations. Any vulnerability in malware classifiers poses significant threats to the platforms they defend. Therefore, to create stronger defense models against malware, we must understand the patterns in input perturbations caused by an adversary. This survey paper presents a comprehensive study on adversarial machine learning for android malware classifiers. We first present an extensive background in building a machine learning classifier for android malware, covering both image-based and text-based feature extraction approaches. Then, we examine the pattern and advancements in the state-of-the-art research in evasion attacks and defenses. Finally, we present guidelines for designing robust malware classifiers and enlist research directions for the future.
Abstract（参考訳）: ディープラーニングに基づく分類器は、マルウェアサンプルの認識を大幅に改善した。しかし、これらの分類器は逆入力摂動に対して脆弱である。マルウェア分類器の脆弱性は、彼らが防御するプラットフォームに重大な脅威をもたらす。したがって,マルウェアに対する防御モデルを構築するためには,敵による入力摂動のパターンを理解する必要がある。本研究は,アンドロイドマルウェア分類器の対人機械学習に関する総合的研究である。まず,androidマルウェア用機械学習分類器の構築において,画像ベースとテキストに基づく特徴抽出手法の両方をカバーする幅広い背景を示す。次に,回避攻撃と防衛に関する最先端研究のパターンと進展について検討する。最後に,ロバストなマルウェア分類器の設計ガイドラインと今後の研究指針を提案する。

関連論文リスト

MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
論文参考訳（メタデータ） (2024-09-29T07:22:47Z)
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)
Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid [0.38233569758620056]
BERTroidは,BERTアーキテクチャ上に構築された革新的なマルウェア検出モデルである。 BERTroidはAndroidマルウェアと戦うための有望なソリューションとして登場した。当社のアプローチは,Androidシステム上でのマルウェアの急速な進化に対して,有望なレジリエンスを示すものだ。
論文参考訳（メタデータ） (2024-05-06T16:35:56Z)
A Malware Classification Survey on Adversarial Attacks and Defences [0.0]
ディープラーニングモデルはマルウェアの検出には有効だが、敵の攻撃に対して脆弱である。このような攻撃は、検出に抵抗する悪意のあるファイルを生成し、重大なサイバーセキュリティリスクを生み出す。近年の研究では、いくつかの敵対的攻撃と反応のアプローチが開発されている。
論文参考訳（メタデータ） (2023-12-15T09:25:48Z)
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)
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)
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)
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)

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。