Fugu-MT 論文翻訳(概要): A Survey on Cross-Architectural IoT Malware Threat Hunting

論文の概要: A Survey on Cross-Architectural IoT Malware Threat Hunting

arxiv url: http://arxiv.org/abs/2306.07989v1
Date: Fri, 9 Jun 2023 19:01:32 GMT
ステータス: 処理完了
システム内更新日: 2023-06-18 12:21:38.181666
Title: A Survey on Cross-Architectural IoT Malware Threat Hunting
Title（参考訳）: クロスアーキテクチャなIoTマルウェアの脅威ハンティングに関する調査
Authors: Anandharaju Durai Raju, Ibrahim Abualhaol, Ronnie Salvador Giagone, Yang Zhou, and Shengqiang Huang
Abstract要約: Windows PEベースのマルウェアを狩る研究は成熟しているが、Linuxのマルウェアの脅威狩りの開発は比較的少ない。 IoT(Internet of Things)時代の到来により、人間の生活に組み込まれたスマートデバイスは、悪意ある活動のためのハッカーのハイウェイになりつつある。本研究の目的は、アーキテクチャ横断型IoTマルウェアの検出と分類アプローチにおける最新の開発状況に関する総合的な調査を提供することである。
参考スコア（独自算出の注目度）: 2.767968065747037
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, the increase in non-Windows malware threats had turned the focus of the cybersecurity community. Research works on hunting Windows PE-based malwares are maturing, whereas the developments on Linux malware threat hunting are relatively scarce. With the advent of the Internet of Things (IoT) era, smart devices that are getting integrated into human life have become a hackers highway for their malicious activities. The IoT devices employ various Unix-based architectures that follow ELF (Executable and Linkable Format) as their standard binary file specification. This study aims at providing a comprehensive survey on the latest developments in cross-architectural IoT malware detection and classification approaches. Aided by a modern taxonomy, we discuss the feature representations, feature extraction techniques, and machine learning models employed in the surveyed works. We further provide more insights on the practical challenges involved in cross-architectural IoT malware threat hunting and discuss various avenues to instill potential future research.
Abstract（参考訳）: 近年、windows以外のマルウェアの脅威の増加は、サイバーセキュリティコミュニティの焦点となった。 Windows PEベースのマルウェアを狩る研究は成熟しているが、Linuxマルウェアの脅威狩りの開発は比較的少ない。 IoT(Internet of Things)時代の到来により、人間の生活に組み込まれたスマートデバイスは、悪意ある活動のためのハッカーのハイウェイになりつつある。 IoTデバイスは、標準バイナリファイル仕様としてELF(ExecutableとLinkable Format)に従うさまざまなUnixベースのアーキテクチャを採用している。本研究の目的は、アーキテクチャ横断型IoTマルウェアの検出と分類アプローチの最新動向に関する総合的な調査を提供することである。現代の分類法に支援され,本研究で採用されている特徴表現,特徴抽出手法,機械学習モデルについて考察する。クロスアーキテクチャなIoTマルウェアの脅威ハンティングに関わる実践的課題についてさらに洞察し、将来的な研究を取り入れるための様々な方法について議論する。

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)
Explainable Malware Analysis: Concepts, Approaches and Challenges [0.0]
我々は、現在最先端のMLベースのマルウェア検出技術と、一般的なXAIアプローチについてレビューする。本稿では,本研究の実施状況と説明可能なマルウェア解析の課題について論じる。この理論的調査は、マルウェア検出におけるXAI応用に関心を持つ研究者のエントリポイントとなる。
論文参考訳（メタデータ） (2024-09-09T08:19:33Z)
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)
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)
Malware Detection and Prevention using Artificial Intelligence Techniques [7.583480439784955]
マルウェアの活動の増加により、セキュリティが大きな問題となっている。本研究では,マルウェアの活動を検出し防止するための人工知能(AI)に基づく手法を強調した。
論文参考訳（メタデータ） (2022-06-26T02:41:46Z)
Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art [44.975088044180374]
本稿は,Windowsオペレーティングシステム,すなわちWindows PEのファイル形式である,ポータブル実行可能(PE)のファイル形式に焦点をあてる。まず、ML/DLに基づくWindows PEマルウェア検出の一般的な学習フレームワークについて概説する。次に、PEマルウェアのコンテキストにおいて、敵攻撃を行うという3つのユニークな課題を強調した。
論文参考訳（メタデータ） (2021-12-23T02:12:43Z)
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)
Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。近年,これらの安全対策を目的とした最先端技術動物園が出現している。本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文参考訳（メタデータ） (2021-04-29T09:54:54Z)
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)
Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文参考訳（メタデータ） (2020-07-05T18:22:40Z)

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。