論文の概要: A Dynamic Weighted Federated Learning for Android Malware Classification
- arxiv url: http://arxiv.org/abs/2211.12874v1
- Date: Wed, 23 Nov 2022 11:30:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:27:32.427990
- Title: A Dynamic Weighted Federated Learning for Android Malware Classification
- Title（参考訳）: Android マルウェア分類のための動的重み付きフェデレーション学習
- Authors: Ayushi Chaudhuri and Arijit Nandi and Buddhadeb Pradhan
- Abstract要約: 研究者は、アンドロイドマルウェアの攻撃を検出し軽減するために、多くの機械学習/ディープラーニング(DL)技術を開発した。
従来のML/DL技術は、すべてのアプローチが中央システムにデータを保持する必要があるため、実現不可能である。
研究者らは、高い分類性能でプライバシー保護とスケーラビリティを解決するために、FLベースのアンドロイドマルウェア分類システムを提案した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Android malware attacks are increasing daily at a tremendous volume, making
Android users more vulnerable to cyber-attacks. Researchers have developed many
machine learning (ML)/ deep learning (DL) techniques to detect and mitigate
android malware attacks. However, due to technological advancement, there is a
rise in android mobile devices. Furthermore, the devices are geographically
dispersed, resulting in distributed data. In such scenario, traditional ML/DL
techniques are infeasible since all of these approaches require the data to be
kept in a central system; this may provide a problem for user privacy because
of the massive proliferation of Android mobile devices; putting the data in a
central system creates an overhead. Also, the traditional ML/DL-based android
malware classification techniques are not scalable. Researchers have proposed
federated learning (FL) based android malware classification system to solve
the privacy preservation and scalability with high classification performance.
In traditional FL, Federated Averaging (FedAvg) is utilized to construct the
global model at each round by merging all of the local models obtained from all
of the customers that participated in the FL. However, the conventional FedAvg
has a disadvantage: if one poor-performing local model is included in global
model development for each round, it may result in an under-performing global
model. Because FedAvg favors all local models equally when averaging. To
address this issue, our main objective in this work is to design a dynamic
weighted federated averaging (DW-FedAvg) strategy in which the weights for each
local model are automatically updated based on their performance at the client.
The DW-FedAvg is evaluated using four popular benchmark datasets, Melgenome,
Drebin, Kronodroid and Tuandromd used in android malware classification
research.
- Abstract（参考訳）: Androidのマルウェア攻撃は毎日増えており、Androidのユーザはサイバー攻撃に弱い。
研究者はアンドロイドマルウェアの攻撃を検出し軽減するために、多くの機械学習/ディープラーニング(DL)技術を開発した。
しかし、技術の進歩により、androidのモバイルデバイスは増加している。
さらに、デバイスは地理的に分散し、分散データを生成する。
このようなシナリオでは、従来のML/DL技術は、すべてのアプローチが中央システムにデータを保持する必要があるため、実現不可能である。
また、従来のML/DLベースのアンドロイドマルウェア分類技術はスケーラブルではない。
研究者らは、高い分類性能でプライバシー保護とスケーラビリティを解決するために、FLベースのアンドロイドマルウェア分類システムを提案した。
従来のFLでは、フェデレート平均化(FedAvg)を利用して各ラウンドのグローバルモデルを構築し、FLに参加した全顧客から得られるすべてのローカルモデルを統合する。
しかし、従来のFedAvgには欠点があり、各ラウンドのグローバルモデル開発に1つの貧弱なローカルモデルが組み込まれれば、パフォーマンスの低いグローバルモデルになる可能性がある。
FedAvgは平均的にすべてのローカルモデルを好むからです。
この問題に対処するため、本研究の目的は、クライアントの性能に応じて各ローカルモデルの重みが自動的に更新される動的重み付き平均化(dw-fedavg)戦略を設計することである。
DW-FedAvgは4つの人気のあるベンチマークデータセット、Melgenome、Drebin、Kronodroid、Tuandromdを使って評価されている。
関連論文リスト
- MalModel: Hiding Malicious Payload in Mobile Deep Learning Models with Black-box Backdoor Attack [24.569156952823068]
ディープラーニングモデルのパラメータ内に悪意のあるペイロードを隠蔽することにより,モバイルマルウェアの生成や変換を行う手法を提案する。
DLモバイルアプリケーションでマルウェアを実行することは、モデルの性能にほとんど影響を与えない。
論文 参考訳（メタデータ） (2024-01-05T06:35:24Z) - Histopathological Image Classification and Vulnerability Analysis using
Federated Learning [1.104960878651584]
グローバルモデルがそのコピーをトレーニングしているすべてのクライアントに送信し、クライアントは更新(重み)を返送する。
データプライバシは、クライアントのデバイス上でローカルに実行されるため、トレーニング中に保護される。
しかし、グローバルモデルはデータ中毒攻撃の影響を受けやすい。
論文 参考訳（メタデータ） (2023-10-11T10:55:14Z) - Rethinking Client Drift in Federated Learning: A Logit Perspective [125.35844582366441]
フェデレートラーニング(FL)は、複数のクライアントが分散した方法で協調的に学習し、プライバシ保護を可能にする。
その結果,局所モデルとグローバルモデルとのロジット差は,モデルが継続的に更新されるにつれて増大することがわかった。
我々はFedCSDと呼ばれる新しいアルゴリズムを提案する。FedCSDは、ローカルモデルとグローバルモデルを調整するためのフェデレーションフレームワークにおけるクラスプロトタイプの類似度蒸留である。
論文 参考訳（メタデータ） (2023-08-20T04:41:01Z) - DABS: Data-Agnostic Backdoor attack at the Server in Federated Learning [14.312593000209693]
フェデレートラーニング(FL)は、中央サーバの協調の下で、分散デバイスからローカルモデルを集約することで、グローバルモデルをトレーニングしようとする試みである。
多数の異種デバイスが存在するため、FLは様々な攻撃、特にステルスなバックドア攻撃に対して脆弱である。
我々は,サーバがグローバルモデルを直接変更して,FLシステムにバックドアを施すような,FLの新たなアタックモデル,すなわち,サーバにおけるData-Agnostic Backdoor attack(DABS)を提案する。
論文 参考訳（メタデータ） (2023-05-02T09:04:34Z) - FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for
Resource and Data Heterogeneity [56.82825745165945]
フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。
本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。
提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
論文 参考訳（メタデータ） (2022-06-21T17:23:06Z) - GANG-MAM: GAN based enGine for Modifying Android Malware [1.6799377888527687]
機械学習に基づくマルウェア検出は、敵の攻撃に対して脆弱である。
そこで我々は,Androidのマルウェアを強力に回避し,悪質なプログラムを修正するための特徴ベクトルを生成するシステムを提案する。
論文 参考訳（メタデータ） (2021-09-27T18:36:20Z) - Federated Learning-based Active Authentication on Mobile Devices [98.23904302910022]
モバイルデバイス上のユーザアクティブ認証は、デバイスセンサ情報に基づいて登録ユーザを正しく認識できるモデルを学ぶことを目的としている。
Federated Active Authentication (FAA) と呼ばれる新しいユーザーアクティブ認証トレーニングを提案します。
既存のFL/SL法は,同質に分散するデータに依存するため,FAAにとって最適ではないことを示す。
論文 参考訳（メタデータ） (2021-04-14T22:59:08Z) - Federated Generalized Face Presentation Attack Detection [112.27662334648302]
本稿では,FedPAD(Federated Face Presentation Detection)フレームワークを提案する。
FedPADは、データプライバシを保持しながら、異なるデータオーナで利用可能な豊富なfPAD情報を活用する。
サーバは、データセンターからfPADモデルのドメイン不変部分を集約するだけで、グローバルなfPADモデルを学習する。
論文 参考訳（メタデータ） (2021-04-14T02:44:53Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z) - MDLdroid: a ChainSGD-reduce Approach to Mobile Deep Learning for
Personal Mobile Sensing [14.574274428615666]
デバイス上でのディープラーニングの実行には、データのプライバシ保護や、モデルの堅牢性とアップデートの両方に対する低レイテンシ応答など、いくつかのメリットがある。
パーソナルモバイルセンシングアプリケーションは、主にユーザ固有であり、環境の影響を受けやすい。
我々は,デバイス上での協調学習を実現するために,新たな分散モバイルディープラーニングフレームワークであるMDLdroidを提案する。
論文 参考訳（メタデータ） (2020-02-07T16:55:21Z) - Think Locally, Act Globally: Federated Learning with Local and Global
Representations [92.68484710504666]
フェデレートラーニング(Federated Learning)とは、複数のデバイスに分散したプライベートデータ上でモデルをトレーニングする手法である。
本稿では,各デバイス上でコンパクトな局所表現を共同で学習する新しいフェデレーション学習アルゴリズムを提案する。
また、プライバシが鍵となる実世界のモバイルデータから、パーソナライズされた気分予測のタスクを評価する。
論文 参考訳（メタデータ） (2020-01-06T12:40:21Z)
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。