Fugu-MT 論文翻訳(概要): Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor

論文の概要: Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor

arxiv url: http://arxiv.org/abs/2210.14225v1
Date: Tue, 25 Oct 2022 03:20:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 13:37:16.685266
Title: Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor
Title（参考訳）: コードテンソル付き生成逆ネットワークに基づくフレキシブルAndroidマルウェア検出モデル
Authors: Zhao Yang, Fengyang Deng, Linxi Han
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.417407987122394
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The behavior of malware threats is gradually increasing, heightened the need for malware detection. However, existing malware detection methods only target at the existing malicious samples, the detection of fresh malicious code and variants of malicious code is limited. In this paper, we propose a novel scheme that detects malware and its variants efficiently. Based on the idea of the generative adversarial networks (GANs), we obtain the `true' sample distribution that satisfies the characteristics of the real malware, use them to deceive the discriminator, thus achieve the defense against malicious code attacks and improve malware detection. Firstly, a new Android malware APK to image texture feature extraction segmentation method is proposed, which is called segment self-growing texture segmentation algorithm. Secondly, tensor singular value decomposition (tSVD) based on the low-tubal rank transforms malicious features with different sizes into a fixed third-order tensor uniformly, which is entered into the neural network for training and learning. Finally, a flexible Android malware detection model based on GANs with code tensor (MTFD-GANs) is proposed. Experiments show that the proposed model can generally surpass the traditional malware detection model, with a maximum improvement efficiency of 41.6\%. At the same time, the newly generated samples of the GANs generator greatly enrich the sample diversity. And retraining malware detector can effectively improve the detection efficiency and robustness of traditional models.
Abstract（参考訳）: マルウェアの脅威の行動は徐々に増加し、マルウェア検出の必要性が高まっている。しかし、既存のマルウェア検出手法は、既存の悪意のあるサンプルのみを対象としており、新しい悪意のあるコードや悪意のあるコードの変種の検出は限られている。本稿では,マルウェアとその変異を効率的に検出する手法を提案する。 gans(generative adversarial network)の考え方に基づき、実際のマルウェアの特性を満たす「true」サンプル分布を取得し、それらを識別器を欺き、悪意のあるコード攻撃に対する防御を実現し、マルウェア検出を改善する。まず,画像テクスチャ特徴抽出セグメンテーション法に適応した新しいandroidマルウェアapkを提案し,セグメント自己成長型テクスチャセグメンテーションアルゴリズム(segment self- growing texture segmentation algorithm)と呼ぶ。第二に、低ツバルランクに基づくテンソル特異値分解(tSVD)は、異なる大きさの悪意のある特徴を固定された3階テンソルに均一に変換し、トレーニングと学習のためにニューラルネットワークに入力する。最後に,コードテンソル(MTFD-GAN)を用いたGANに基づくフレキシブルAndroidマルウェア検出モデルを提案する。実験により,提案モデルが従来のマルウェア検出モデルを上回ることができ,最大改善効率は41.6\%であった。同時に、新たに生成されたgansジェネレータのサンプルはサンプルの多様性を大いに高めている。そして、マルウェア検知器の再訓練は、従来のモデルの検出効率と堅牢性を効果的に改善する。

関連論文リスト

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)
Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
論文参考訳（メタデータ） (2023-06-06T14:23:34Z)
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)
Task-Aware Meta Learning-based Siamese Neural Network for Classifying Obfuscated Malware [5.293553970082943]
既存のマルウェア検出方法は、トレーニングデータセットに難読化されたマルウェアサンプルが存在する場合、異なるマルウェアファミリーを正しく分類できない。そこで我々は,このような制御フロー難読化技術に対して耐性を持つ,タスク対応の複数ショット学習型サイメスニューラルネットワークを提案する。提案手法は,同一のマルウェアファミリーに属するマルウェアサンプルを正しく分類し,ユニークなマルウェアシグネチャの認識に極めて有効である。
論文参考訳（メタデータ） (2021-10-26T04:44:13Z)
Mal2GCN: A Robust Malware Detection Approach Using Deep Graph Convolutional Networks With Non-Negative Weights [1.3190581566723918]
実世界の敵に対するマルウェア検出モデルの堅牢性を評価するために,ブラックボックスのソースコードをベースとしたマルウェア生成手法を提案する。そこで我々は,堅牢なマルウェア検出モデルであるMal2GCNを提案する。Mal2GCNは,グラフ畳み込みネットワークの表現力と非負重み学習法を組み合わせて,高い検出精度でマルウェア検出モデルを作成する。
論文参考訳（メタデータ） (2021-08-27T19:42:13Z)
Detection of Malicious Android Applications: Classical Machine Learning vs. Deep Neural Network Integrated with Clustering [2.179313476241343]
従来のマルウェア検出メカニズムは、次世代のマルウェア攻撃に対応できない。クラスタリングと統合した機械学習とディープラーニングに基づく,効率的かつ効率的なAndroidマルウェア検出モデルを提案する。
論文参考訳（メタデータ） (2021-02-28T21:50:57Z)
Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文参考訳（メタデータ） (2020-07-28T19:00:40Z)
Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
論文参考訳（メタデータ） (2020-07-07T18:40:19Z)
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)
Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。我々は,再建基準の代替として,異常スコアの代替尺度を提案した。提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。