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/2203.02121v2
Date: Fri, 12 Apr 2024 21:41:08 GMT
ステータス: 処理完了
システム内更新日: 2024-04-17 00:46:46.598032
Title: Adversarial Patterns: Building Robust Android Malware Classifiers
Title（参考訳）: 逆パターン:ロバストなAndroidマルウェア分類器の構築
Authors: Dipkamal Bhusal, Nidhi Rastogi,
Abstract要約: サイバーセキュリティの分野では、機械学習モデルがマルウェア検出において大幅に改善されている。構造化されていないデータから複雑なパターンを理解する能力があるにもかかわらず、これらのモデルは敵攻撃の影響を受けやすい。本稿では,Androidマルウェア分類器の文脈における敵機械学習の包括的レビューを行う。
参考スコア（独自算出の注目度）: 0.9208007322096533
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning models are increasingly being adopted across various fields, such as medicine, business, autonomous vehicles, and cybersecurity, to analyze vast amounts of data, detect patterns, and make predictions or recommendations. In the field of cybersecurity, these models have made significant improvements in malware detection. However, despite their ability to understand complex patterns from unstructured data, these models are susceptible to adversarial attacks that perform slight modifications in malware samples, leading to misclassification from malignant to benign. Numerous defense approaches have been proposed to either detect such adversarial attacks or improve model robustness. These approaches have resulted in a multitude of attack and defense techniques and the emergence of a field known as `adversarial machine learning.' In this survey paper, we provide a comprehensive review of adversarial machine learning in the context of Android malware classifiers. Android is the most widely used operating system globally and is an easy target for malicious agents. The paper first presents an extensive background on Android malware classifiers, followed by an examination of the latest advancements in adversarial attacks and defenses. Finally, the paper provides guidelines for designing robust malware classifiers and outlines research directions for the future.
Abstract（参考訳）: 大量のデータを分析し、パターンを検出し、予測やレコメンデーションを行うために、医療、ビジネス、自動運転車、サイバーセキュリティなど、さまざまな分野に機械学習モデルが採用されている。サイバーセキュリティの分野では、これらのモデルはマルウェア検出において大幅に改善されている。しかしながら、非構造化データから複雑なパターンを理解する能力があるにもかかわらず、これらのモデルは、マルウェアサンプルのわずかな修正を行う敵攻撃の影響を受けやすいため、悪性から良性への誤分類につながる。このような敵攻撃を検知するか、モデルロバスト性を改善するために、多くの防衛手法が提案されている。これらのアプローチは、数多くの攻撃・防衛技術と「敵機械学習」と呼ばれる分野の出現をもたらした。「本調査では,Androidマルウェア分類器の文脈における敵機械学習の包括的レビューを行う。 Androidは世界でもっとも広く使われているオペレーティングシステムであり、悪意のあるエージェントの標的になる。本稿はまず,Androidマルウェア分類器の幅広い背景と,敵の攻撃と防御の最新の進歩について考察する。最後に,ロバストなマルウェア分類器を設計するためのガイドラインを提供し,今後の研究方針を概説する。

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。