論文の概要: On the Role of Similarity in Detecting Masquerading Files

• arxiv url: http://arxiv.org/abs/2402.11227v1
• Date: Sat, 17 Feb 2024 09:10:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 22:37:22.798439
• Title: On the Role of Similarity in Detecting Masquerading Files
• Title（参考訳）: マスクレーディングファイル検出における類似性の役割について
• Authors: Jonathan Oliver, Jue Mo, Susmit Yenkar, Raghav Batta and Sekhar Josyoula
• Abstract要約: 類似性は、一般的に機械学習モデルで使用される幅広いセキュリティアプリケーションに適用されている。 本報告では, 悪役が作り出したサンプルが, 正統なサンプルと類似しているか, あるいはほぼ同一であるかどうか, マスクレーディングによって引き起こされる問題点について検討する。
• 参考スコア（独自算出の注目度）: 0.3499870393443269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Similarity has been applied to a wide range of security applications, typically used in machine learning models. We examine the problem posed by masquerading samples; that is samples crafted by bad actors to be similar or near identical to legitimate samples. We find that these samples potentially create significant problems for machine learning solutions. The primary problem being that bad actors can circumvent machine learning solutions by using masquerading samples. We then examine the interplay between digital signatures and machine learning solutions. In particular, we focus on executable files and code signing. We offer a taxonomy for masquerading files. We use a combination of similarity and clustering to find masquerading files. We use the insights gathered in this process to offer improvements to similarity based and machine learning security solutions.
• Abstract（参考訳）: 類似性は、一般的に機械学習モデルで使用される幅広いセキュリティアプリケーションに適用されている。 本研究は,不正行為者によって作製された正統なサンプルと類似またはほぼ同一のサンプルである。 これらのサンプルは、機械学習ソリューションに重大な問題を引き起こす可能性がある。 一番の問題は、悪いアクターがマスクレーディングサンプルを使用することで機械学習ソリューションを回避できることです。 次に、デジタル署名と機械学習ソリューションの相互作用を検討する。 特に、実行ファイルとコード署名にフォーカスしています。 ファイルを偽造するために分類を提供する。 類似性とクラスタリングの組み合わせを使って、乱雑なファイルを見つけます。 このプロセスで収集した洞察を使って、類似性ベースの機械学習セキュリティソリューションを改善しています。

関連論文リスト

• A Robust Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via (De)Randomized Smoothing [4.97719149179179]
  本稿では,(デ)ランダム化平滑化に触発された敵のマルウェアに対する現実的な防御法を提案する。 本研究では,マルウェア作者が挿入した敵対的コンテンツを,バイトの関連部分集合を選択することでサンプリングする可能性を減らす。
  論文  参考訳（メタデータ） (2024-02-23T11:30:12Z)
• Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
  業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。 学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。 利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
  論文  参考訳（メタデータ） (2023-12-25T21:25:55Z)
• EMBERSim: A Large-Scale Databank for Boosting Similarity Search in Malware Analysis [48.5877840394508]
  近年,定量化によるマルウェア検出から機械学習への移行が進んでいる。 本稿では、EMBERから始まるバイナリファイルの類似性研究の領域における欠陥に対処することを提案する。 我々は、EMBERに類似情報とマルウェアのクラスタグを付与し、類似性空間のさらなる研究を可能にする。
  論文  参考訳（メタデータ） (2023-10-03T06:58:45Z)
• A Comparison of Adversarial Learning Techniques for Malware Detection [1.2289361708127875]
  我々は、勾配に基づく、進化的アルゴリズムに基づく、強化に基づく手法を用いて、敵対的なサンプルを生成する。 実験により,強化学習手法を用いたGymマルウェア生成装置が最も実用性が高いことが示された。
  論文  参考訳（メタデータ） (2023-08-19T09:22:32Z)
• Towards a Practical Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via Randomized Smoothing [3.736916304884177]
  本稿では,ランダムな平滑化に触発された敵のマルウェアに対する現実的な防御法を提案する。 本研究では,入力のランダム化にガウスノイズやラプラスノイズを使う代わりに,ランダム化アブレーションに基づく平滑化方式を提案する。 BODMASデータセットに対する様々な最先端の回避攻撃に対するアブレーションモデルの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2023-08-17T10:30:25Z)
• Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
  マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。 本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。 実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-12T05:28:55Z)
• Adversarial Networks and Machine Learning for File Classification [0.0]
  検査中のファイルの種類を正しく特定することは、法医学的な調査の重要な部分である。 本稿では、逆学習された機械学習ニューラルネットワークを用いてファイルの真の型を決定することを提案する。 半教師付き生成敵ネットワーク(SGAN)は,11種類のファイルの分類において97.6%の精度を達成した。
  論文  参考訳（メタデータ） (2023-01-27T19:40:03Z)
• HardVis: Visual Analytics to Handle Instance Hardness Using Undersampling and Oversampling Techniques [48.82319198853359]
  HardVisは、主に不均衡な分類シナリオでインスタンスの硬さを処理するために設計されたビジュアル分析システムである。 ユーザはさまざまな視点からデータのサブセットを探索して、これらのパラメータをすべて決定できる。 HardVisの有効性と有効性は仮説的利用シナリオとユースケースで実証される。
  論文  参考訳（メタデータ） (2022-03-29T17:04:16Z)
• Visual Transformer for Task-aware Active Learning [49.903358393660724]
  プールベースのアクティブラーニングのための新しいパイプラインを提案する。 提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。 ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
  論文  参考訳（メタデータ） (2021-06-07T17:13:59Z)
• CoCon: Cooperative-Contrastive Learning [52.342936645996765]
  自己教師付き視覚表現学習は効率的な映像分析の鍵である。 最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。 コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
  論文  参考訳（メタデータ） (2021-04-30T05:46:02Z)

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。