論文の概要: Ransomware detection using stacked autoencoder for feature selection
- arxiv url: http://arxiv.org/abs/2402.11342v1
- Date: Sat, 17 Feb 2024 17:31:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 21:45:49.374409
- Title: Ransomware detection using stacked autoencoder for feature selection
- Title（参考訳）: 重み付きオートエンコーダを用いた特徴選択のためのランサムウェア検出
- Authors: Mike Nkongolo and Mahmut Tokmak
- Abstract要約: この研究は、オートエンコーダの学習したウェイトとアクティベーションを慎重に分析し、ランサムウェアファミリーと他のマルウェアを区別するための重要な特徴を特定します。
提案手法はランサムウェア分類において, Extreme Gradient Boosting (XGBoost) アルゴリズムを上回り, 99%の精度を達成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this study is to propose and evaluate an advanced ransomware
detection and classification method that combines a Stacked Autoencoder (SAE)
for precise feature selection with a Long Short Term Memory (LSTM) classifier
to enhance ransomware stratification accuracy. The proposed approach involves
thorough pre processing of the UGRansome dataset and training an unsupervised
SAE for optimal feature selection or fine tuning via supervised learning to
elevate the LSTM model's classification capabilities. The study meticulously
analyzes the autoencoder's learned weights and activations to identify
essential features for distinguishing ransomware families from other malware
and creates a streamlined feature set for precise classification. Extensive
experiments, including up to 400 epochs and varying learning rates, are
conducted to optimize the model's performance. The results demonstrate the
outstanding performance of the SAE-LSTM model across all ransomware families,
boasting high precision, recall, and F1 score values that underscore its robust
classification capabilities. Furthermore, balanced average scores affirm the
proposed model's ability to generalize effectively across various malware
types. The proposed model achieves an exceptional 99% accuracy in ransomware
classification, surpassing the Extreme Gradient Boosting (XGBoost) algorithm
primarily due to its effective SAE feature selection mechanism. The model also
demonstrates outstanding performance in identifying signature attacks,
achieving a 98% accuracy rate.
- Abstract（参考訳）: 本研究の目的は,高度なランサムウェア検出・分類手法を提案し,精度の高い特徴選択のためのスタックドオートエンコーダ(SAE)とランサムウェア階層化精度を高めるLong Short Term Memory(LSTM)分類器を組み合わせることにある。
提案手法は、UGRansomeデータセットの徹底的な事前処理と、LSTMモデルの分類能力を高めるための教師なし学習による最適な特徴選択や微調整のための教師なしSAEの訓練を含む。
この研究は、オートエンコーダの学習重量とアクティベーションを慎重に分析し、ランサムウェアファミリーと他のマルウェアを区別するための重要な特徴を特定し、正確な分類のための合理化機能セットを作成する。
モデルの性能を最適化するために、最大400エポック、さまざまな学習率を含む広範な実験が行われている。
その結果,SAE-LSTMモデルの性能は全ランサムウェア群で優れており,高い精度,リコール,F1スコアが特徴的であった。
さらに、バランスのとれた平均スコアは、様々なマルウェアタイプにまたがって効果的に一般化する提案モデルの能力を証明する。
提案手法はランサムウェアの分類において99%の精度を達成し,SAE機能選択機構の有効性により,Extreme Gradient Boosting (XGBoost)アルゴリズムを上回り,その精度を向上した。
このモデルはまた、シグネチャ攻撃を特定する上で優れたパフォーマンスを示し、98%の精度を達成する。
関連論文リスト
- Self-DenseMobileNet: A Robust Framework for Lung Nodule Classification using Self-ONN and Stacking-based Meta-Classifier [1.2300841481611335]
Self-DenseMobileNetは胸部X線写真(CXR)における結節と非結節の分類を強化するように設計されている
我々のフレームワークは、入力品質を最適化するために高度な画像標準化と拡張技術を統合している。
外部データセットでテストすると、このフレームワークは89.40%の精度で強力な一般化性を維持した。
論文 参考訳（メタデータ） (2024-10-16T14:04:06Z) - Confidence-aware Contrastive Learning for Selective Classification [20.573658672018066]
この研究は、選択分類のための一般化を提供し、特徴層を最適化することで選択分類の性能を向上させることを開示する。
この理論に触発されて、我々は初めて特徴レベルで選択的分類モデルを明確に改善することを提案し、新たに選択的分類のための信頼を意識したコントラスト学習手法であるCCL-SCを提案する。
論文 参考訳（メタデータ） (2024-06-07T08:43:53Z) - A comparative study on feature selection for a risk prediction model for
colorectal cancer [0.0]
この研究は大腸癌に焦点を当て、リスク予測モデルのパフォーマンスの観点からいくつかの特徴ランキングアルゴリズムを評価する。
この研究で提案された視覚的アプローチにより、ニューラルネットワークベースのラッパーランキングが最も不安定であり、ランダムフォレストが最も安定である。
論文 参考訳（メタデータ） (2024-02-07T22:14:14Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Stacking an autoencoder for feature selection of zero-day threats [0.0]
本研究では,人工ニューラルネットワークの一種である積み重ねオートエンコーダ(SAE)の特徴選択とゼロデイ脅威分類への応用について検討する。
オートエンコーダの学習重量とアクティベーションを分析し、ゼロデイ脅威と通常のシステム動作を識別する最も重要な特徴を同定する。
その結果,SAE-LSTMは高い精度,リコール,F1スコアを示すことにより,3つの攻撃カテゴリすべてで良好に機能することがわかった。
論文 参考訳（メタデータ） (2023-11-01T05:29:42Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳（メタデータ） (2023-09-20T21:23:37Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-02-21T15:17:13Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z)
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。