Fugu-MT 論文翻訳(概要): Malware Analysis on AI Technique

論文の概要: Malware Analysis on AI Technique

arxiv url: http://arxiv.org/abs/2311.14501v1
Date: Fri, 24 Nov 2023 14:16:59 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 13:06:53.870955
Title: Malware Analysis on AI Technique
Title（参考訳）: AI技術によるマルウェア解析
Authors: Amjani Gupta, Dr. Karan Singh,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In today's world, we are performing our maximum work through the Internet, i.e., online payment, data transfer, etc., per day. More than thousands of users are connecting. So, it's essential to provide security to the user. It is necessary to detect and prevent malicious object from gaining persistence and causing destruction within the organization. Therefore, Malware analysis is needed in order to secure the system. This necessitates the use of effective and efficient approaches for detecting OS malware. Due to the cheap cost of technology, artificial intelligence has also become less difficult to implement in projects to analyse malware. The categorization and analysis of malware on OS using various AI-based analysis techniques are covered in detail in this paper.
Abstract（参考訳）: 今日の世界では、インターネット、すなわちオンライン支払い、データ転送などを通じて1日あたり最大作業を行っています。何千人ものユーザーが接続している。ですから,ユーザへのセキュリティの提供は不可欠です。悪意のあるオブジェクトが永続化され、組織内で破壊されるのを検知し、防止する必要がある。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。これにより、OSマルウェアの検出に効率的かつ効率的なアプローチが必要とされる。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詳述する。

関連論文リスト

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)
Obfuscated Malware Detection: Investigating Real-world Scenarios through Memory Analysis [0.0]
本稿では,メモリダンプ解析による簡易かつ費用対効果の高いマルウェア検出システムを提案する。この研究は、現実世界のシナリオをシミュレートするために設計されたCIC-MalMem-2022データセットに焦点を当てている。メモリダンプ内の難読化マルウェアの検出において,決定木,アンサンブル法,ニューラルネットワークなどの機械学習アルゴリズムの有効性を評価する。
論文参考訳（メタデータ） (2024-04-03T00:13:23Z)
Review of Deep Learning-based Malware Detection for Android and Windows System [2.855485723554975]
最近のマルウェアファミリーのほとんどは人工知能(AI)であり、異なる難読化技術を用いて従来のマルウェアシステムを騙すことができる。そこで本研究では,Windows と Android の2つのマルウェア検出技術について概説する。
論文参考訳（メタデータ） (2023-07-04T06:02:04Z)
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)
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)
Proceedings of the Artificial Intelligence for Cyber Security (AICS) Workshop at AAAI 2022 [55.573187938617636]
ワークショップは、サイバーセキュリティの問題へのAIの適用に焦点を当てる。サイバーシステムは大量のデータを生成し、これを効果的に活用することは人間の能力を超えます。
論文参考訳（メタデータ） (2022-02-28T18:27:41Z)
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)
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 Novel Malware Detection Mechanism based on Features Extracted from Converted Malware Binary Images [0.22843885788439805]
マルウェアのバイナリイメージを使用して、異なる特徴を抽出し、得られたデータセットに異なるML分類器を用いる。本手法は,抽出した特徴に基づくマルウェアの分類に成功していることを示す。
論文参考訳（メタデータ） (2021-04-14T06:55:52Z)
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)

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。