Fugu-MT 論文翻訳(概要): A Comparison of Graph Neural Networks for Malware Classification

論文の概要: A Comparison of Graph Neural Networks for Malware Classification

arxiv url: http://arxiv.org/abs/2303.12812v1
Date: Wed, 22 Mar 2023 01:05:57 GMT
ステータス: 処理完了
システム内更新日: 2023-03-24 16:54:57.238441
Title: A Comparison of Graph Neural Networks for Malware Classification
Title（参考訳）: マルウェア分類のためのグラフニューラルネットワークの比較
Authors: Vrinda Malhotra and Katerina Potika and Mark Stamp
Abstract要約: 我々は、幅広いグラフニューラルネットワーク(GNN)アーキテクチャをトレーニングし、埋め込みを生成し、それを分類します。我々の最高のGNNモデルは、有名なMalNet-Tiny Androidマルウェアデータセットを含む以前の比較研究より優れていることが分かりました。
参考スコア（独自算出の注目度）: 2.707154152696381
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Managing the threat posed by malware requires accurate detection and classification techniques. Traditional detection strategies, such as signature scanning, rely on manual analysis of malware to extract relevant features, which is labor intensive and requires expert knowledge. Function call graphs consist of a set of program functions and their inter-procedural calls, providing a rich source of information that can be leveraged to classify malware without the labor intensive feature extraction step of traditional techniques. In this research, we treat malware classification as a graph classification problem. Based on Local Degree Profile features, we train a wide range of Graph Neural Network (GNN) architectures to generate embeddings which we then classify. We find that our best GNN models outperform previous comparable research involving the well-known MalNet-Tiny Android malware dataset. In addition, our GNN models do not suffer from the overfitting issues that commonly afflict non-GNN techniques, although GNN models require longer training times.
Abstract（参考訳）: マルウェアによる脅威を管理するには、正確な検出と分類技術が必要である。シグネチャスキャンのような従来の検出戦略は、作業集約的で専門家の知識を必要とする関連する特徴を抽出するために、マルウェアの手動分析に依存している。関数呼び出しグラフはプログラム関数のセットとプロセス間呼び出しで構成されており、従来の手法の労働集約的な特徴抽出ステップを使わずにマルウェアの分類に活用できる豊富な情報ソースを提供する。本研究では,マルウェア分類をグラフ分類問題として扱う。 Local Degree Profileの機能に基づいて、幅広いグラフニューラルネットワーク(GNN)アーキテクチャをトレーニングし、埋め込みを生成し、それを分類します。我々の最高のGNNモデルは、有名なMalNet-Tiny Androidマルウェアデータセットを含む以前の比較研究より優れていることが分かりました。さらに,我々のGNNモデルでは,GNN以外の技術に共通する過度な問題に悩まされることはないが,GNNモデルはより長いトレーニング時間を必要とする。

関連論文リスト

Stealing Training Graphs from Graph Neural Networks [54.52392250297907]
グラフニューラルネットワーク(GNN)は、様々なタスクにおけるグラフのモデリングにおいて有望な結果を示している。ニューラルネットワークがトレーニングサンプルを記憶できるため、GNNのモデルパラメータはプライベートトレーニングデータをリークするリスクが高い。訓練されたGNNからグラフを盗むという新しい問題について検討する。
論文参考訳（メタデータ） (2024-11-17T23:15:36Z)
Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
論文参考訳（メタデータ） (2024-07-15T16:12:51Z)
Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-09-12T09:18:12Z)
A Survey on Malware Detection with Graph Representation Learning [0.0]
マルウェアの検出は、マルウェアの数と複雑さの増大により、大きな関心事となっている。近年、機械学習(ML)、特にディープラーニング(DL)は、データから有用な表現を学習することで、マルウェア検出において印象的な成果を上げている。本稿は、共通アプローチとアーキテクチャの下で既存の作品を要約し、統一するための詳細な文献レビューを提供する。
論文参考訳（メタデータ） (2023-03-28T14:27:08Z)
Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文参考訳（メタデータ） (2022-05-31T10:38:04Z)
Black-box Node Injection Attack for Graph Neural Networks [29.88729779937473]
被害者のGNNモデルを回避するためにノードを注入する可能性について検討する。具体的には,グラフ強化学習フレームワークGA2Cを提案する。本稿では,既存の最先端手法よりもGA2Cの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-02-18T19:17:43Z)
Graph Neural Network-based Android Malware Classification with Jumping Knowledge [3.408873763213743]
本稿では,Android マルウェア検出のための GNN ベースの手法を提案する。オーバースムーシング問題の影響を最小限に抑えるために跳躍知識技術を適用した。提案手法は2つのベンチマークデータセットを用いて広範に評価されている。
論文参考訳（メタデータ） (2022-01-19T11:29:02Z)
NF-GNN: Network Flow Graph Neural Networks for Malware Detection and Classification [11.624780336645006]
悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。 4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
論文参考訳（メタデータ） (2021-03-05T20:54:38Z)
A novel DL approach to PE malware detection: exploring Glove vectorization, MCC_RCNN and feature fusion [0.0]
モデルにフィードバックされた静的機能を用いて,DLベースの検出手法を提案する。 CNN と RNN を組み合わせた MCC_RCNN と呼ばれるニューラルネットワークモデルを実装します。提案した分類法は他のベースライン法よりも高い予測精度を得ることができる。
論文参考訳（メタデータ） (2021-01-22T07:08:10Z)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)
Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文参考訳（メタデータ） (2020-06-11T08:19:06Z)

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。