論文の概要: Harnessing the Power of Decision Trees to Detect IoT Malware
- arxiv url: http://arxiv.org/abs/2301.12039v1
- Date: Sat, 28 Jan 2023 00:56:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 19:32:24.998359
- Title: Harnessing the Power of Decision Trees to Detect IoT Malware
- Title(参考訳): IoTマルウェア検出のための決定木のパワーを損なう
- Authors: Marwan Omar
- Abstract要約: IoT(Internet of Things)は、マルウェア攻撃の影響を受けやすい。
静的な手法を用いる現在の方法と分析は効果がない。
本稿では,決定木の力を利用する新しい検出・解析手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to its simple installation and connectivity, the Internet of Things (IoT)
is susceptible to malware attacks. Being able to operate autonomously. As IoT
devices have become more prevalent, they have become the most tempting targets
for malware. Weak, guessable, or hard-coded passwords, and a lack of security
measures contribute to these vulnerabilities along with insecure network
connections and outdated update procedures. To understand IoT malware, current
methods and analysis ,using static methods, are ineffective. The field of deep
learning has made great strides in recent years due to their tremendous data
mining, learning, and expression capabilities, cybersecurity has enjoyed
tremendous growth in recent years. As a result, malware analysts will not have
to spend as much time analyzing malware. In this paper, we propose a novel
detection and analysis method that harnesses the power and simplicity of
decision trees. The experiments are conducted using a real word dataset,
MaleVis which is a publicly available dataset. Based on the results, we show
that our proposed approach outperforms existing state-of-the-art solutions in
that it achieves 97.23% precision and 95.89% recall in terms of detection and
classification. A specificity of 96.58%, F1-score of 96.40%, an accuracy of
96.43.
- Abstract(参考訳): シンプルなインストールと接続性のため、IoT(Internet of Things)はマルウェア攻撃の影響を受けやすい。
自律的に操作できること。
IoTデバイスが普及するにつれ、マルウェアの最も魅力的なターゲットとなっている。
弱い、推測可能な、またはハードコードされたパスワードとセキュリティ対策の欠如は、これらの脆弱性と、ネットワーク接続の不安全性と古い更新手順に寄与する。
IoTマルウェアを理解するために、現在のメソッドと静的メソッドを使用する分析は効果がない。
ディープラーニングの分野は、その膨大なデータマイニング、学習、表現能力によって、近年大きな進歩を遂げている。
その結果、マルウェアのアナリストはマルウェアの分析にあまり時間を費やす必要がなくなる。
本稿では,決定木のパワーと簡易性を活用した新しい検出・解析手法を提案する。
実験は、公開されているデータセットであるMaleVisを使って実施されている。
その結果,提案手法は既存の最先端ソリューションよりも97.23%の精度,95.89%のリコールを実現していることがわかった。
比は96.58%、f1-scoreは96.40%、精度96.43。
関連論文リスト
- Smart OMVI: Obfuscated Malware Variant Identification using a novel
dataset [0.0]
このデータセットは、21924サンプルを持つ40の異なるマルウェアファミリーから構成される。
マルウェア作成者による戦略を模倣する難読化技術が組み込まれている。
本データセットの目的は,マルウェア解析手法の有効性を評価するための,より現実的で代表的な環境を提供することである。
論文 参考訳(メタデータ) (2023-09-24T16:28:35Z) - 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) - Sequential Embedding-based Attentive (SEA) classifier for malware
classification [1.290382979353427]
我々は、最先端自然言語処理(NLP)技術を用いたマルウェア検出のソリューションを考案した。
提案モデルでは,それぞれ99.13パーセント,0.04パーセントの精度とログ損失スコアをベンチマークデータセットで検証した。
論文 参考訳(メタデータ) (2023-02-11T15:48:16Z) - SETTI: A Self-supervised Adversarial Malware Detection Architecture in
an IoT Environment [20.586904296213007]
本稿では,モノのインターネットネットワーク(SETTI)におけるマルウェアを検出するための,敵の自己管理型アーキテクチャを提案する。
SETTIアーキテクチャでは,Self-MDS,GSelf-MDS,ASelf-MDSの3つの自己教師型攻撃手法を設計する。
攻撃と防御のアルゴリズムを検証するために、最近の2つのIoTデータセット、IoT23とNBIoTで実験を行います。
論文 参考訳(メタデータ) (2022-04-16T10:10:59Z) - 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) - A Survey of Machine Learning Algorithms for Detecting Malware in IoT
Firmware [0.0]
本稿では、IoTファームウェアの分類に機械学習アルゴリズムを多数使用し、最高のパフォーマンスモデルについて報告する。
ConvolutionalやFully Connected Neural Networksといったディープラーニングアプローチも検討されている。
論文 参考訳(メタデータ) (2021-11-03T17:55:51Z) - Malware Squid: A Novel IoT Malware Traffic Analysis Framework using
Convolutional Neural Network and Binary Visualisation [2.309914459672557]
ニューラルネットワークとバイナリビジュアライゼーションを用いた新しいIoTマルウェアトラフィック分析手法を提案する。
提案手法の最大の動機は、新しいマルウェア(ゼロデイマルウェア)を素早く検出し分類することである。
論文 参考訳(メタデータ) (2021-09-08T00:21:45Z) - 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) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z) - Noise-Response Analysis of Deep Neural Networks Quantifies Robustness
and Fingerprints Structural Malware [48.7072217216104]
ディープ・ニューラル・ネットワーク(DNN)は構造的マルウェア(すなわち、重みと活性化経路)を持つ
バックドアの検出は一般的に困難であり、既存の検出手法は計算に高価であり、膨大なリソースを必要とする(トレーニングデータへのアクセスなど)。
そこで本研究では,DNNの堅牢性,指紋の非線形性を定量化し,バックドアの検出を可能にする,高速な特徴生成手法を提案する。
実験の結果,既存の手法(秒対秒)よりも高い信頼度でバックドアを正確に検出できることが判明した。
論文 参考訳(メタデータ) (2020-07-31T23:52:58Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳(メタデータ) (2020-01-13T13:54:36Z)
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。