論文の概要: Fast & Furious: Modelling Malware Detection as Evolving Data Streams
- arxiv url: http://arxiv.org/abs/2205.12311v1
- Date: Tue, 24 May 2022 18:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 03:54:48.296126
- Title: Fast & Furious: Modelling Malware Detection as Evolving Data Streams
- Title（参考訳）: Fast & Furious: データストリームの進化としてマルウェア検出をモデル化する
- Authors: Fabr\'icio Ceschin, Marcus Botacin, Heitor Murilo Gomes, Felipe
Pinag\'e, Luiz S. Oliveira, Andr\'e Gr\'egio
- Abstract要約: マルウェアはコンピュータシステムにとって大きな脅威であり、サイバーセキュリティに多くの課題を課している。
本研究では,2つのAndroidデータセットに対するマルウェア分類器に対する概念ドリフトの影響を評価する。
- 参考スコア（独自算出の注目度）: 6.6892028759947175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Malware is a major threat to computer systems and imposes many challenges to
cyber security. Targeted threats, such as ransomware, cause millions of dollars
in losses every year. The constant increase of malware infections has been
motivating popular antiviruses (AVs) to develop dedicated detection strategies,
which include meticulously crafted machine learning (ML) pipelines. However,
malware developers unceasingly change their samples features to bypass
detection. This constant evolution of malware samples causes changes to the
data distribution (i.e., concept drifts) that directly affect ML model
detection rates. In this work, we evaluate the impact of concept drift on
malware classifiers for two Android datasets: DREBIN (~130K apps) and AndroZoo
(~350K apps). Android is a ubiquitous operating system for smartphones, which
stimulates attackers to regularly create and update malware to the platform. We
conducted a longitudinal evaluation by (i) classifying malware samples
collected over nine years (2009-2018), (ii) reviewing concept drift detection
algorithms to attest its pervasiveness, (iii) comparing distinct ML approaches
to mitigate the issue, and (iv) proposing an ML data stream pipeline that
outperformed literature approaches. As a result, we observed that updating
every component of the pipeline in response to concept drifts allows the
classification model to achieve increasing detection rates as the data
representation (extracted features) is updated. Furthermore, we discuss the
impact of the changes on the classification models by comparing the variations
in the extracted features.
- Abstract（参考訳）: マルウェアはコンピュータシステムにとって大きな脅威であり、サイバーセキュリティに多くの課題を課している。
ランサムウェアなどの標的となる脅威は、毎年何百万ドルもの損失を引き起こす。
マルウェア感染の絶え間ない増加は、注意深い機械学習(ml)パイプラインを含む専用の検出戦略を開発するために人気のあるアンチウイルス(avs)を動機付けている。
しかし、マルウェア開発者はすぐにサンプル機能をバイパス検出に変更する。
このマルウェアサンプルの定常的な進化は、mlモデル検出率に直接影響を及ぼすデータ分布(すなわち概念ドリフト)の変化を引き起こす。
本研究では,DREBIN (~130Kアプリ) とAndroZoo (~350Kアプリ) の2つのAndroidデータセットに対するマルウェア分類器に対するコンセプトドリフトの影響を評価する。
AndroidはスマートフォンのユビキタスOSであり、攻撃者が定期的にマルウェアを作成し、アップデートするよう促す。
我々は縦断評価を行った
i)9年間に収集されたマルウェアサンプルの分類(2009～2018)
(ii)その普及性を検証するための概念ドリフト検出アルゴリズムの見直し
(iii)問題を緩和するための異なるmlアプローチの比較、及び
(iv) 文学的アプローチよりも優れたMLデータストリームパイプラインを提案する。
その結果、データ表現(抽出特徴)が更新されると、概念ドリフトに応答してパイプラインのすべてのコンポーネントを更新することで、分類モデルが検出率の向上を実現できることがわかった。
さらに,抽出した特徴のバリエーションを比較することで,分類モデルに変化が与える影響について考察する。
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) - MalPurifier: Enhancing Android Malware Detection with Adversarial
Purification against Evasion Attacks [19.68134775248897]
MalPurifierは敵の浄化を利用して、独立して摂動を除去し、軽く柔軟な方法で攻撃を緩和する。
2つのAndroidマルウェアデータセットの実験結果は、MalPurifierが最先端の防御よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-12-11T14:48:43Z) - Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。
暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。
我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
論文 参考訳（メタデータ） (2023-06-06T14:45:24Z) - 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) - Behavioural Reports of Multi-Stage Malware [3.64414368529873]
このデータセットは、Windows 10仮想マシンで実行される数千のマルウェアサンプルに対するAPI呼び出しシーケンスを提供する。
このデータセットの作成と拡張のチュートリアルと、このデータセットを使用してマルウェアを分類する方法を示すベンチマークが提供されている。
論文 参考訳（メタデータ） (2023-01-30T11:51:02Z) - Flexible Android Malware Detection Model based on Generative Adversarial
Networks with Code Tensor [7.417407987122394]
既存のマルウェア検出方法は、既存の悪意のあるサンプルのみを対象としている。
本稿では,マルウェアとその変異を効率的に検出する新しい手法を提案する。
論文 参考訳（メタデータ） (2022-10-25T03:20:34Z) - 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) - MaMaDroid2.0 -- The Holes of Control Flow Graphs [5.838266102141281]
本稿では,アプリケーションの制御フローグラフを解析する,有名なAndroidマルウェア検出システムMaMaDroidについて検討する。
良性サンプルと悪質サンプルの比率の変化は各モデルに明らかな影響を及ぼし、検出率は40%以上減少する。
対象モデルのそれぞれに対して、CFGとその検出率を操作する3つの新しい攻撃を記述する。
この攻撃は、悪意のあるアプリに対する良さの比率が異なるため、ほとんどのモデルの検出率を0%に下げる。
論文 参考訳（メタデータ） (2022-02-28T16:18:15Z) - 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) - Scalable Backdoor Detection in Neural Networks [61.39635364047679]
ディープラーニングモデルは、トロイの木馬攻撃に対して脆弱で、攻撃者はトレーニング中にバックドアをインストールして、結果のモデルが小さなトリガーパッチで汚染されたサンプルを誤識別させる。
本稿では,ラベル数と計算複雑性が一致しない新たなトリガリバースエンジニアリング手法を提案する。
実験では,提案手法が純モデルからトロイの木馬モデルを分離する際の完全なスコアを達成できることが観察された。
論文 参考訳（メタデータ） (2020-06-10T04:12:53Z) - MDEA: Malware Detection with Evolutionary Adversarial Learning [16.8615211682877]
MDEA(Adversarial Malware Detection)モデルであるMDEAは、進化的最適化を使用して攻撃サンプルを作成し、ネットワークを回避攻撃に対して堅牢にする。
進化したマルウェアサンプルでモデルを再トレーニングすることで、その性能は大幅に改善される。
論文 参考訳（メタデータ） (2020-02-09T09:59:56Z)
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。