論文の概要: New Approach to Malware Detection Using Optimized Convolutional Neural
Network
- arxiv url: http://arxiv.org/abs/2301.11161v1
- Date: Thu, 26 Jan 2023 15:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-27 13:25:35.651329
- Title: New Approach to Malware Detection Using Optimized Convolutional Neural
Network
- Title（参考訳）: 最適化畳み込みニューラルネットワークを用いたマルウェア検出の新しい手法
- Authors: Marwan Omar
- Abstract要約: 本稿では,マルウェアを高精度で高精度かつ効率的に検出する,新しい畳み込み型ディープラーニングニューラルネットワークを提案する。
ベースラインモデルは当初98%の精度を達成していたが、CNNモデルの深度を高めた後、99.183まで精度が向上した。
このCNNモデルの有効性をさらに高めるため、改良されたモデルを用いて、データセット内の新しいマルウェアサンプルの予測を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cyber-crimes have become a multi-billion-dollar industry in the recent years.
Most cybercrimes/attacks involve deploying some type of malware. Malware that
viciously targets every industry, every sector, every enterprise and even
individuals has shown its capabilities to take entire business organizations
offline and cause significant financial damage in billions of dollars annually.
Malware authors are constantly evolving in their attack strategies and
sophistication and are developing malware that is difficult to detect and can
lay dormant in the background for quite some time in order to evade security
controls. Given the above argument, Traditional approaches to malware detection
are no longer effective. As a result, deep learning models have become an
emerging trend to detect and classify malware. This paper proposes a new
convolutional deep learning neural network to accurately and effectively detect
malware with high precision. This paper is different than most other papers in
the literature in that it uses an expert data science approach by developing a
convolutional neural network from scratch to establish a baseline of the
performance model first, explores and implements an improvement model from the
baseline model, and finally it evaluates the performance of the final model.
The baseline model initially achieves 98% accurate rate but after increasing
the depth of the CNN model, its accuracy reaches 99.183 which outperforms most
of the CNN models in the literature. Finally, to further solidify the
effectiveness of this CNN model, we use the improved model to make predictions
on new malware samples within our dataset.
- Abstract（参考訳）: 近年、サイバー犯罪は数十億ドルの産業となっている。
ほとんどのサイバー犯罪/攻撃は、ある種のマルウェアをデプロイする。
あらゆる業界、あらゆる部門、あらゆる企業、さらには個人をターゲットにしたマルウェアは、ビジネス組織全体をオフラインにし、年間数十億ドルの経済的損害を与える能力を示している。
マルウェアの作者は、攻撃戦略や洗練度において絶えず進化し、検出が困難で、セキュリティコントロールを回避するためにかなり長い間背景に潜伏する可能性のあるマルウェアを開発している。
上記の主張を踏まえると、従来のマルウェア検出アプローチはもはや有効ではない。
その結果、ディープラーニングモデルがマルウェアの検出と分類の新たなトレンドになりつつある。
本稿では,高精度かつ効果的にマルウェアを検出する新しい畳み込み型ディープラーニングニューラルネットワークを提案する。
本論文は他の文献と異なり、まず畳み込みニューラルネットワークをスクラッチから開発し、まず性能モデルのベースラインを確立し、ベースラインモデルから改善モデルの探索と実装を行い、最後に最終モデルの性能を評価することにより、専門家データサイエンスアプローチを用いる。
ベースラインモデルは当初98%の精度を達成していたが、CNNモデルの深さを増大させた後、その精度は99.183に達し、CNNモデルの大半を上回った。
最後に、このCNNモデルの有効性をさらに強化するために、改良されたモデルを用いて、データセット内の新しいマルウェアサンプルの予測を行う。
関連論文リスト
- Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。
学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。
利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
論文 参考訳（メタデータ） (2023-12-25T21:25:55Z) - Publishing Efficient On-device Models Increases Adversarial
Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。
まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。
次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文 参考訳（メタデータ） (2022-12-28T05:05:58Z) - Malware and Ransomware Detection Models [0.0]
本稿では,2つの最適化モデルを組み合わせた,新しいフレキシブルランサムウェア検出モデルを提案する。
限られたデータセットにおける検出結果から,精度とF1スコアが得られた。
論文 参考訳（メタデータ） (2022-07-05T15:22:13Z) - EvilModel 2.0: Hiding Malware Inside of Neural Network Models [7.060465882091837]
ニューラルネットワークモデルをステゴマルウェアに変えることは、AIの悪意ある使用である。
既存の手法では、マルウェアの埋め込み率が低く、モデルの性能に高い影響を与える。
本稿では,高容量かつサービス品質の劣化のないモデルにマルウェアを埋め込む新しい方法を提案する。
論文 参考訳（メタデータ） (2021-09-09T15:31:33Z) - Neural Architecture Dilation for Adversarial Robustness [56.18555072877193]
畳み込みニューラルネットワークの欠点は、敵の攻撃に弱いことである。
本稿では, 良好な精度を有する背骨CNNの対角的堅牢性を向上させることを目的とする。
最小限の計算オーバーヘッドの下では、拡張アーキテクチャはバックボーンCNNの標準的な性能と親和性が期待できる。
論文 参考訳（メタデータ） (2021-08-16T03:58:00Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - Classifying Malware Images with Convolutional Neural Network Models [2.363388546004777]
本稿では,静的マルウェア分類にいくつかの畳み込みニューラルネットワーク(CNN)モデルを用いる。
インセプションV3モデルは99.24%の精度を達成しており、現在の最先端システムによって達成される98.52%の精度よりも優れている。
論文 参考訳（メタデータ） (2020-10-30T07:39:30Z) - 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) - 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) - Exploring Optimal Deep Learning Models for Image-based Malware Variant
Classification [3.8073142980733]
本研究では,深層学習モデルの違いがマルウェアの分類精度に与える影響について検討した。
その結果,最新のディープラーニングモデルの1つを比較的低い転送度で微調整することで,最も高い分類精度が得られることがわかった。
論文 参考訳（メタデータ） (2020-04-10T23:45:54Z) - 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。