Fugu-MT 論文翻訳(概要): Harnessing the Power of Decision Trees to Detect IoT Malware

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and a lack of security measures contribute to these vulnerabilities along with insecure network connections and outdated update procedures.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

Deep Learning Based XIoT Malware Analysis: A Comprehensive Survey, Taxonomy, and Research Challenges [0.0]
IoT(Internet of Things)は,急速に成長するコンピューティング産業のひとつだ。従来のマルウェア検出手法は、これらの新しい種類のマルウェアに対して効果が低い。機械学習(ML)とディープラーニング(DL)アプローチは、これらの新しいIoTマルウェアの亜種を扱うのに有効であることが証明されている。
論文参考訳（メタデータ） (2024-10-14T19:04:43Z)
Optimizing Malware Detection in IoT Networks: Leveraging Resource-Aware Distributed Computing for Enhanced Security [0.6856683556201506]
マルウェアとして知られる悪意のあるアプリケーションは、IoTデバイスやネットワークに重大な脅威をもたらす。我々は,IoTネットワーク用の分散コンピューティングと統合された,リソースとワークロードを意識した新たなマルウェア検出フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-12T21:11:29Z)
Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
本稿ではIoTマルウェアの分類について述べる。攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
論文参考訳（メタデータ） (2023-12-01T16:10:43Z)
Malware Analysis on AI Technique [0.0]
したがって、システムを確保するためには、マルウェア分析が必要である。技術コストの安いため、人工知能はマルウェアを解析するプロジェクトでの実装も困難になってきている。本稿では,各種AI分析技術を用いたOS上のマルウェアの分類と解析について述べる。
論文参考訳（メタデータ） (2023-11-24T14:16:59Z)
A survey on hardware-based malware detection approaches [45.24207460381396]
ハードウェアベースのマルウェア検出アプローチは、ハードウェアパフォーマンスカウンタと機械学習技術を活用する。このアプローチを慎重に分析し、最も一般的な方法、アルゴリズム、ツール、および輪郭を形成するデータセットを解明します。この議論は、協調的有効性のための混合ハードウェアとソフトウェアアプローチの構築、ハードウェア監視ユニットの不可欠な拡張、ハードウェアイベントとマルウェアアプリケーションの間の相関関係の理解を深めている。
論文参考訳（メタデータ） (2023-03-22T13:00:41Z)
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)
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)
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)
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。