論文の概要: OOG- Optuna Optimized GAN Sampling Technique for Tabular Imbalanced
Malware Data
- arxiv url: http://arxiv.org/abs/2212.01274v1
- Date: Fri, 25 Nov 2022 16:59:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 13:01:58.696660
- Title: OOG- Optuna Optimized GAN Sampling Technique for Tabular Imbalanced
Malware Data
- Title（参考訳）: 表型不均衡マルウェアデータに対するoog-optina最適化ganサンプリング手法
- Authors: S.M Towhidul Islam Tonmoy and S.M Mehedi Zaman
- Abstract要約: 本研究では,GAN(Generative Adversarial Network)サンプリング技術を用いて,新たなマルウェアサンプルを生成する。
本研究では,Optuna Optimized GAN(OOG)法のアーキテクチャを98.06%,99.0%,97.23%,98.04%の精度,精度,リコール,f1のスコアとともに示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyberspace occupies a large portion of people's life in the age of modern
technology, and while there are those who utilize it for good, there are also
those who do not. Malware is an application whose construction was not
motivated by a benign goal and it can harm, steal, or even alter personal
information and secure applications and software. Thus, there are numerous
techniques to avoid malware, one of which is to develop samples of malware so
that the system can be updated with the growing number of malwares, allowing it
to recognize when malwares attempt to enter. The Generative Adversarial Network
(GAN) sampling technique has been used in this study to generate new malware
samples. GANs have multiple variants, and in order to determine which variant
is optimal for a given dataset sample, their parameters must be modified. This
study employs Optuna, an autonomous hyperparameter tuning algorithm, to
determine the optimal settings for the dataset under consideration. In this
study, the architecture of the Optuna Optimized GAN (OOG) method is shown,
along with scores of 98.06%, 99.00%, 97.23%, and 98.04% for accuracy,
precision, recall and f1 score respectively. After tweaking the hyperparameters
of five supervised boosting algorithms, XGBoost, LightGBM, CatBoost, Extra
Trees Classifier, and Gradient Boosting Classifier, the methodology of this
paper additionally employs the weighted ensemble technique to acquire this
result. In addition to comparing existing efforts in this domain, the study
demonstrates how promising GAN is in comparison to other sampling techniques
such as SMOTE.
- Abstract（参考訳）: サイバースペースは、現代のテクノロジーの時代における人々の生活の大部分を占めており、それを利用する者もいるが、そうではない者もいる。
マルウェアは、構築が良質な目標に動機づけられず、個人情報やセキュアなアプリケーションやソフトウェアを傷つけたり、盗んだり、変更したりする可能性があるアプリケーションである。
このように、マルウェアを避けるための多くのテクニックがあり、その1つはマルウェアのサンプルを作成することで、マルウェアが侵入しようとすることを認識できるようにシステムを更新することである。
本研究では,GAN(Generative Adversarial Network)サンプリング技術を用いて,新たなマルウェアサンプルを生成する。
GANは複数の変種を持ち、与えられたデータセットサンプルに対してどの変種が最適かを決定するには、それらのパラメータを変更する必要がある。
本研究は,データセットの最適設定を決定するために,自律型ハイパーパラメータチューニングアルゴリズムである optuna を用いる。
本研究では,オプチュナ最適化gan (oog) 法のアーキテクチャを示し,それぞれ98.06%,99.00%,97.23%,98.04%の精度,精度,リコール,f1スコアを示した。
xgboost, lightgbm, catboost, extra trees classifier, gradient boosting classifierの5つの教師付きブースティングアルゴリズムのハイパーパラメータを微調整した後、本論文の方法論はさらに重み付きアンサンブル技術を用いてこの結果を得る。
この領域における既存の取り組みの比較に加えて、SMOTEのような他のサンプリング技術と比較して、GANがいかに有望かを示す。
関連論文リスト
- Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳（メタデータ） (2024-11-19T09:16:25Z) - A New Formulation for Zeroth-Order Optimization of Adversarial EXEmples in Malware Detection [14.786557372850094]
ゼロオーダー最適化フレームワークでマルウェア検出を学習する方法を示す。
我々は、Windows マルウェア検出に対するゼロオーダー攻撃である ZEXE を提案し、研究する。
論文 参考訳（メタデータ） (2024-05-23T13:01:36Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - A Comparison of Adversarial Learning Techniques for Malware Detection [1.2289361708127875]
我々は、勾配に基づく、進化的アルゴリズムに基づく、強化に基づく手法を用いて、敵対的なサンプルを生成する。
実験により,強化学習手法を用いたGymマルウェア生成装置が最も実用性が高いことが示された。
論文 参考訳（メタデータ） (2023-08-19T09:22:32Z) - 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) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳（メタデータ） (2021-02-21T03:13:27Z) - The Integrity of Machine Learning Algorithms against Software Defect
Prediction [0.0]
本報告では,Liangらが開発したオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)の性能を解析する。
OS-ELMは従来のディープニューラルネットワークよりも高速にトレーニングし、常にグローバルな最適解に収束する。
この分析は、NASAグループが実施する3つのプロジェクトKC1、PC4、PC3で実施される。
論文 参考訳（メタデータ） (2020-09-05T17:26:56Z) - 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。