論文の概要: ActDroid: An active learning framework for Android malware detection

• arxiv url: http://arxiv.org/abs/2401.16982v1
• Date: Tue, 30 Jan 2024 13:10:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 15:07:10.380133
• Title: ActDroid: An active learning framework for Android malware detection
• Title（参考訳）: ActDroid: Androidマルウェア検出のためのアクティブな学習フレームワーク
• Authors: Ali Muzaffar, Hani Ragab Hassen, Hind Zantout, Michael A Lones
• Abstract要約: 12秒ごとに新しいマルウェアがオンラインに現れる。 オンライン学習は、アプリケーションラベリングの問題を軽減するために使用できる。 私たちのフレームワークは最大96%の精度を実現しています。
• 参考スコア（独自算出の注目度）: 3.195234044113248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing popularity of Android requires malware detection systems that can keep up with the pace of new software being released. According to a recent study, a new piece of malware appears online every 12 seconds. To address this, we treat Android malware detection as a streaming data problem and explore the use of active online learning as a means of mitigating the problem of labelling applications in a timely and cost-effective manner. Our resulting framework achieves accuracies of up to 96\%, requires as little of 24\% of the training data to be labelled, and compensates for concept drift that occurs between the release and labelling of an application. We also consider the broader practicalities of online learning within Android malware detection, and systematically explore the trade-offs between using different static, dynamic and hybrid feature sets to classify malware.
• Abstract（参考訳）: Androidの人気が高まっているため、新しいソフトウェアのリリースペースに追従できるマルウェア検出システムが必要である。 最近の研究によると、新しいマルウェアが12秒ごとにオンラインに現れる。 これに対処するために,我々は,androidのマルウェア検出をストリーミングデータ問題として扱い,アクティブオンライン学習を,タイムリーで費用対効果の高いアプリケーションラベリング問題を軽減する手段として利用することを検討する。 得られたフレームワークは、最大96 %の精度を実現し、ラベル付けするトレーニングデータの24 %しか必要とせず、アプリケーションのリリースとラベル付けの間に発生するコンセプトドリフトを補償します。 また,android マルウェア検出におけるオンライン学習のより広範な実用性を検討し,異なる静的,動的,ハイブリッド機能セットによるマルウェア分類のトレードオフを体系的に検討する。

関連論文リスト

• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid [0.38233569758620056]
  BERTroidは,BERTアーキテクチャ上に構築された革新的なマルウェア検出モデルである。 BERTroidはAndroidマルウェアと戦うための有望なソリューションとして登場した。 当社のアプローチは,Androidシステム上でのマルウェアの急速な進化に対して,有望なレジリエンスを示すものだ。
  論文  参考訳（メタデータ） (2024-05-06T16:35:56Z)
• MalDICT: Benchmark Datasets on Malware Behaviors, Platforms, Exploitation, and Packers [44.700094741798445]
  マルウェア分類に関する既存の研究は、悪意のあるファイルと良性のあるファイルの区別と、家族によるマルウェアの分類という2つのタスクにのみ焦点をあてている。 我々は、マルウェアが提示する行動の分類、マルウェアが実行しているプラットフォーム、マルウェアが悪用する脆弱性、マルウェアが詰め込まれているパッカーの4つのタスクを特定した。 ClarAVyを使ってタグ付けされ、合計で550万近い悪意のあるファイルで構成されています。
  論文  参考訳（メタデータ） (2023-10-18T04:36:26Z)
• 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)
• Continuous Learning for Android Malware Detection [15.818435778629635]
  そこで本研究では,Androidマルウェア分類器を継続的に学習するための新しい階層型コントラスト学習手法と,新しいサンプル選択手法を提案する。 提案手法では, 偽陰性率は14%から9%に減少し, 偽陰性率は0.86%から0.48%に低下する。
  論文  参考訳（メタデータ） (2023-02-08T20:54:11Z)
• 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)
• Android Malware Category and Family Detection and Identification using Machine Learning [0.0]
  本稿では,Android マルウェアの動的解析のための2つの機械学習手法を提案する。 提案手法は,99%以上の精度でAndroid Malware Category検出を実現し,99%以上の精度でAndroid Malware Family検出を実現している。
  論文  参考訳（メタデータ） (2021-07-05T10:48:40Z)
• Deep Learning for Android Malware Defenses: a Systematic Literature Review [16.2206504908646]
  悪意のあるアプリケーション(特にAndroidプラットフォーム)は、開発者やエンドユーザにとって深刻な脅威です。 androidマルウェアの攻撃を防ぐディープラーニング技術は最近、かなりの研究の注目を集めている。 しかし、Androidマルウェア防御のためのディープラーニングアプローチに焦点を当てた体系的な文献レビューはありません。
  論文  参考訳（メタデータ） (2021-03-09T08:33:08Z)
• Identification of Significant Permissions for Efficient Android Malware Detection [2.179313476241343]
  5つのビジネス/産業モバイルアプリケーションの1つが機密個人データを漏洩します。 従来のシグネチャ/ヒューリスティックベースのマルウェア検出システムは、現在のマルウェア問題に対処できない。 機械学習とディープニューラルネットワークを用いた効率的なAndroidマルウェア検出システムを提案する。
  論文  参考訳（メタデータ） (2021-02-28T22:07:08Z)
• 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。

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。