論文の概要: Minerva: A File-Based Ransomware Detector

• arxiv url: http://arxiv.org/abs/2301.11050v2
• Date: Tue, 16 Apr 2024 10:31:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-18 03:00:14.931478
• Title: Minerva: A File-Based Ransomware Detector
• Title（参考訳）: Minerva:ファイルベースのランサムウェア検出器
• Authors: Dorjan Hitaj, Giulio Pagnotta, Fabio De Gaspari, Lorenzo De Carli, Luigi V. Mancini,
• Abstract要約: 本稿ではランサムウェア検出のための新しい堅牢なアプローチであるMinervaについて述べる。 Minervaは、回避攻撃に対する設計によって堅牢に設計されており、アーキテクチャと特徴の選択は、敵の操作に対するレジリエンスによって通知される。 我々の評価は、ミネルバがランサムウェアを正確に識別し、目に見えない脅威に一般化し、回避攻撃に耐える能力を示している。
• 参考スコア（独自算出の注目度）: 2.139756658997758
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ransomware attacks have caused billions of dollars in damages in recent years, and are expected to cause billions more in the future. Consequently, significant effort has been devoted to ransomware detection and mitigation. Behavioral-based ransomware detection approaches have garnered considerable attention recently. These behavioral detectors typically rely on process-based behavioral profiles to identify malicious behaviors. However, with an increasing body of literature highlighting the vulnerability of such approaches to evasion attacks, a comprehensive solution to the ransomware problem remains elusive. This paper presents Minerva, a novel robust approach to ransomware detection. Minerva is engineered to be robust by design against evasion attacks, with architectural and feature selection choices informed by their resilience to adversarial manipulation. We conduct a comprehensive analysis of Minerva across a diverse spectrum of ransomware types, encompassing unseen ransomware as well as variants designed specifically to evade Minerva. Our evaluation showcases the ability of Minerva to accurately identify ransomware, generalize to unseen threats, and withstand evasion attacks. Furthermore, Minerva achieves remarkably low detection times, enabling the adoption of data loss prevention techniques with near-zero overhead.
• Abstract（参考訳）: ランサムウェア攻撃は近年数十億ドルの損害をもたらしており、将来的には数十億ドルの被害が増加すると予想されている。 その結果、ランサムウェアの検出と緩和に多大な努力が注がれた。 近年,行動に基づくランサムウェア検出手法が注目されている。 これらの行動検知器は通常、悪意のある行動を特定するためにプロセスベースの行動プロファイルに依存している。 しかし、回避攻撃に対するこのようなアプローチの脆弱性を強調した文献が増えているため、ランサムウェア問題に対する包括的解決策はいまだ解明されていない。 本稿ではランサムウェア検出のための新しい堅牢なアプローチであるMinervaについて述べる。 Minervaは、回避攻撃に対する設計によって堅牢に設計されており、アーキテクチャと特徴の選択は、敵の操作に対するレジリエンスによって通知される。 我々は,ミネルバのランサムウェアの種類や,ミネルバの回避に特化して設計されたバリエーションを含む,さまざまなランサムウェアの種類を網羅的に分析する。 我々の評価は、ミネルバがランサムウェアを正確に識別し、目に見えない脅威に一般化し、回避攻撃に耐える能力を示している。 さらに、Minervaは極めて低い検出時間を実現し、ほぼゼロのオーバーヘッドでデータ損失防止技術を採用することができる。

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)
• Ransomware Detection Dynamics: Insights and Implications [0.0]
  本研究は,Bitcoin(BTC)および米国ドル(USD)におけるランサムウェア関連および良性取引を識別するための特徴選択アルゴリズムの利用について検討する。 本稿では,暗号通貨エコシステムにおけるランサムウェアの活動の特徴を捉えた新しい特徴セットを提案する。 厳密な実験と評価を通じて,BTCおよびUSDトランザクションを正確に抽出する機能セットの有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-07T05:36:06Z)
• Ransomware Detection and Classification using Machine Learning [7.573297026523597]
  本研究ではXGBoostとRandom Forest(RF)アルゴリズムを用いてランサムウェア攻撃を検出し分類する。 モデルはランサムウェア攻撃のデータセットに基づいて評価され、ランサムウェアの正確な検出と分類の有効性を示す。
  論文  参考訳（メタデータ） (2023-11-05T18:16:53Z)
• 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)
• Untargeted Backdoor Attack against Object Detection [69.63097724439886]
  我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。 攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-02T17:05:45Z)
• Ransomware Detection using Process Memory [0.0]
  本研究はランサムウェアの内部動作と機能に焦点を当てる。 ランサムウェアファミリーの新しい署名と指紋を識別して、新しいランサムウェア攻撃を正しく分類することができる。 いくつかの有名な機械学習アルゴリズムが81.38から96.28パーセントの精度で探索された。
  論文  参考訳（メタデータ） (2022-03-31T08:03:48Z)
• Detecting Ransomware Execution in a Timely Manner [0.0]
  近年では、ランサムウェアは従来の計算資源からサイバー物理システムや産業制御にまで広がった。 仮想インスタンスがランサムウェアに感染する一連の実験を考案した。 ランサムウェア実行を識別するための変更点検出学習法を設計する。
  論文  参考訳（メタデータ） (2022-01-12T11:40:59Z)
• Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
  マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。 次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。 我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
  論文  参考訳（メタデータ） (2021-11-19T08:02:38Z)
• 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)

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。