Fugu-MT 論文翻訳(概要): ATWM: Defense against adversarial malware based on adversarial training

論文の概要: ATWM: Defense against adversarial malware based on adversarial training

arxiv url: http://arxiv.org/abs/2307.05095v1
Date: Tue, 11 Jul 2023 08:07:10 GMT
ステータス: 処理完了
システム内更新日: 2023-07-12 15:53:49.390465
Title: ATWM: Defense against adversarial malware based on adversarial training
Title（参考訳）: ATWM:敵の訓練に基づく敵のマルウェアに対する防御
Authors: Kun Li and Fan Zhang and Wei Guo
Abstract要約: ディープラーニングモデルは、敵のサンプル攻撃に対して脆弱である。本稿では,対人訓練に基づく対人マルウェア防御手法を提案する。本研究は,モデルの精度を低下させることなく,モデルの対角防御能力を向上できることを示す。
参考スコア（独自算出の注目度）: 16.16005518623829
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning technology has made great achievements in the field of image. In order to defend against malware attacks, researchers have proposed many Windows malware detection models based on deep learning. However, deep learning models are vulnerable to adversarial example attacks. Malware can generate adversarial malware with the same malicious function to attack the malware detection model and evade detection of the model. Currently, many adversarial defense studies have been proposed, but existing adversarial defense studies are based on image sample and cannot be directly applied to malware sample. Therefore, this paper proposes an adversarial malware defense method based on adversarial training. This method uses preprocessing to defend simple adversarial examples to reduce the difficulty of adversarial training. Moreover, this method improves the adversarial defense capability of the model through adversarial training. We experimented with three attack methods in two sets of datasets, and the results show that the method in this paper can improve the adversarial defense capability of the model without reducing the accuracy of the model.
Abstract（参考訳）: 深層学習技術は画像の分野で大きな成果を上げてきた。マルウェア攻撃を防ぐため、研究者はディープラーニングに基づく多くのWindowsマルウェア検出モデルを提案してきた。しかし、ディープラーニングモデルは敵のサンプル攻撃に対して脆弱である。マルウェアは、同じ悪意のある機能を持つ敵のマルウェアを生成して、マルウェア検出モデルを攻撃し、モデルの検出を回避できる。現在、多くの敵防御研究が提案されているが、既存の敵防御研究は画像サンプルに基づいており、マルウェアのサンプルに直接適用することはできない。そこで本研究では,対人訓練に基づく対人マルウェア防御手法を提案する。本手法では,前処理を用いて単純な対向例を保護し,対向訓練の難しさを軽減する。さらに, 本手法は, 対人訓練により, モデルの対人防御能力を向上する。そこで本研究では,2組のデータセットで3つの攻撃手法を実験し,本手法がモデルの精度を低下させることなく,モデルの防御能力を向上できることを示す。

関連論文リスト

Improving behavior based authentication against adversarial attack using XAI [3.340314613771868]
本稿では,eXplainable AI(XAI)をベースとした,このようなシナリオにおける敵攻撃に対する防御戦略を提案する。本手法で訓練した特徴セレクタは,元の認証器の前のフィルタとして使用することができる。我々は,XAIをベースとした防衛戦略が敵の攻撃に対して有効であり,他の防衛戦略よりも優れていることを実証する。
論文参考訳（メタデータ） (2024-02-26T09:29:05Z)
The Power of MEME: Adversarial Malware Creation with Model-Based Reinforcement Learning [0.7614628596146599]
この研究は、マルウェアの侵入とモデル抽出攻撃を組み合わせた新しいアルゴリズムを提案する。 MEMEは、モデルベースの強化学習を使用して、Windowsの実行可能バイナリサンプルを反対に修正する。回避率は32-73%である。
論文参考訳（メタデータ） (2023-08-31T08:55:27Z)
FGAM:Fast Adversarial Malware Generation Method Based on Gradient Sign [16.16005518623829]
敵対的攻撃は、敵対的サンプルを生成することによって、ディープラーニングモデルを欺くことである。本稿では,FGAM(Fast Generate Adversarial Malware)を提案する。 FGAMが生成したマルウェア偽装モデルの成功率は,既存手法と比較して約84%増加することが実験的に検証された。
論文参考訳（メタデータ） (2023-05-22T06:58:34Z)
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)
Backdoor Attack against NLP models with Robustness-Aware Perturbation defense [0.0]
バックドア攻撃はディープニューラルネットワーク(DNN)に隠れたバックドアを埋め込む本研究は, 有害試料とクリーン試料との堅牢性ギャップを, 敵の訓練工程を用いて制御することにより, この防御を破るものである。
論文参考訳（メタデータ） (2022-04-08T10:08:07Z)
Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
論文参考訳（メタデータ） (2021-10-13T13:54:24Z)
Searching for an Effective Defender: Benchmarking Defense against Adversarial Word Substitution [83.84968082791444]
ディープニューラルネットワークは、意図的に構築された敵の例に対して脆弱である。ニューラルNLPモデルに対する敵対的単語置換攻撃を防御する様々な方法が提案されている。
論文参考訳（メタデータ） (2021-08-29T08:11:36Z)
What Doesn't Kill You Makes You Robust(er): Adversarial Training against Poisons and Backdoors [57.040948169155925]
敵対的なトレーニングフレームワークを拡張し、(訓練時間)中毒やバックドア攻撃から防御します。本手法は, トレーニング中に毒を発生させ, トレーニングバッチに注入することにより, ネットワークを中毒の影響に敏感化する。この防御は、適応攻撃に耐え、多様な脅威モデルに一般化し、以前の防御よりも優れた性能のトレードオフをもたらすことを示す。
論文参考訳（メタデータ） (2021-02-26T17:54:36Z)
Online Alternate Generator against Adversarial Attacks [144.45529828523408]
ディープラーニングモデルは、実際の画像に準知覚可能なノイズを加えることによって合成される敵の例に非常に敏感である。対象ネットワークのパラメータをアクセスしたり変更したりする必要のない,ポータブルな防御手法であるオンライン代替ジェネレータを提案する。提案手法は,入力画像のスクラッチから別の画像をオンライン合成することで,対向雑音を除去・破壊する代わりに機能する。
論文参考訳（メタデータ） (2020-09-17T07:11:16Z)
Adversarial Deep Ensemble: Evasion Attacks and Defenses for Malware Detection [8.551227913472632]
悪意のある機能を損なうことなく、マルウェアの例を妨害する新たな攻撃手法を提案する。このことは、ディープニューラルネットワークのアンサンブルを強化するために、敵のトレーニングの新たなインスタンス化につながる。 2つの実用的なデータセットに対する26の異なる攻撃に対して,Androidマルウェア検出器を用いた防御評価を行った。
論文参考訳（メタデータ） (2020-06-30T05:56:33Z)
Single-step Adversarial training with Dropout Scheduling [59.50324605982158]
単段階逆行訓練法を用いて学習したモデルは、単段階逆行の発生を防止するために学習する。提案手法を用いて訓練されたモデルは, 単段階攻撃と多段階攻撃の両方に対して堅牢である。
論文参考訳（メタデータ） (2020-04-18T14:14:00Z)

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。