Fugu-MT 論文翻訳(概要): Bayesian Learned Models Can Detect Adversarial Malware For Free

論文の概要: Bayesian Learned Models Can Detect Adversarial Malware For Free

arxiv url: http://arxiv.org/abs/2403.18309v1
Date: Wed, 27 Mar 2024 07:16:48 GMT
ステータス: 処理完了
システム内更新日: 2024-03-28 18:06:46.036043
Title: Bayesian Learned Models Can Detect Adversarial Malware For Free
Title（参考訳）: ベイジアンの学習したモデルは、敵のマルウェアを無料で検出できる
Authors: Bao Gia Doan, Dang Quang Nguyen, Paul Montague, Tamas Abraham, Olivier De Vel, Seyit Camtepe, Salil S. Kanhere, Ehsan Abbasnejad, Damith C. Ranasinghe,
Abstract要約: 対数訓練は有効な方法であるが、大規模データセットにスケールアップするには計算コストがかかる。特にベイズ式はモデルパラメータの分布を捉えることができ、モデル性能を犠牲にすることなく不確実性を定量化することができる。ベイズ学習法で不確実性を定量化することで、敵のマルウェアを防御できることがわかった。
参考スコア（独自算出の注目度）: 28.498994871579985
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The vulnerability of machine learning-based malware detectors to adversarial attacks has prompted the need for robust solutions. Adversarial training is an effective method but is computationally expensive to scale up to large datasets and comes at the cost of sacrificing model performance for robustness. We hypothesize that adversarial malware exploits the low-confidence regions of models and can be identified using epistemic uncertainty of ML approaches -- epistemic uncertainty in a machine learning-based malware detector is a result of a lack of similar training samples in regions of the problem space. In particular, a Bayesian formulation can capture the model parameters' distribution and quantify epistemic uncertainty without sacrificing model performance. To verify our hypothesis, we consider Bayesian learning approaches with a mutual information-based formulation to quantify uncertainty and detect adversarial malware in Android, Windows domains and PDF malware. We found, quantifying uncertainty through Bayesian learning methods can defend against adversarial malware. In particular, Bayesian models: (1) are generally capable of identifying adversarial malware in both feature and problem space, (2) can detect concept drift by measuring uncertainty, and (3) with a diversity-promoting approach (or better posterior approximations) lead to parameter instances from the posterior to significantly enhance a detectors' ability.
Abstract（参考訳）: 機械学習ベースのマルウェア検知器の敵攻撃に対する脆弱性は、堅牢なソリューションの必要性を引き起こしている。敵対的トレーニングは効果的な手法であるが、大規模なデータセットにスケールアップするには計算コストがかかり、堅牢性のためにモデル性能を犠牲にするコストがかかる。我々は、敵のマルウェアがモデルの低信頼領域を悪用し、MLアプローチの疫学的不確実性を用いて識別できるという仮説を立てる。特にベイズ的定式化はモデルパラメータの分布を捉えることができ、モデル性能を犠牲にすることなく、てんかんの不確かさを定量化することができる。本仮説を検証するために,不確実性を定量化し,Android,Windowsドメイン,PDFマルウェアの敵マルウェアを検出するために,相互情報に基づく定式化によるベイズ学習手法を検討する。ベイズ学習法で不確実性を定量化することで、敵のマルウェアを防御できることがわかった。特にベイジアンモデルでは,(1)特徴空間と問題空間の両方で敵のマルウェアを識別し,(2)不確実性を測定することによって概念の漂流を検知し,(3)多様性向上アプローチ(あるいは後部近似)によって後方からのパラメータのインスタンスを誘導し,検出者の能力を著しく向上する。

関連論文リスト

Watch the Watcher! Backdoor Attacks on Security-Enhancing Diffusion Models [65.30406788716104]
本研究では,セキュリティ強化拡散モデルの脆弱性について検討する。これらのモデルは、シンプルで効果的なバックドア攻撃であるDIFF2に非常に感受性があることを実証する。ケーススタディでは、DIFF2は、ベンチマークデータセットとモデル間で、パーフィケーション後の精度と認定精度の両方を著しく削減できることを示している。
論文参考訳（メタデータ） (2024-06-14T02:39:43Z)
MalPurifier: Enhancing Android Malware Detection with Adversarial Purification against Evasion Attacks [19.68134775248897]
MalPurifierは敵の浄化を利用して、独立して摂動を除去し、軽く柔軟な方法で攻撃を緩和する。 2つのAndroidマルウェアデータセットの実験結果は、MalPurifierが最先端の防御よりも優れていることを示している。
論文参考訳（メタデータ） (2023-12-11T14:48:43Z)
Towards Certified Probabilistic Robustness with High Accuracy [3.957941698534126]
Adrialの例は、ニューラルネットワーク上に構築された多くのクリティカルシステムに対して、セキュリティ上の脅威となる。確実に堅牢で正確なニューラルネットワークモデルを構築する方法はまだオープンな問題だ。本稿では,高い精度と高い確率ロバスト性を実現することを目的とした新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-09-02T09:39:47Z)
Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
論文参考訳（メタデータ） (2023-05-03T05:57:29Z)
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)
PAD: Towards Principled Adversarial Malware Detection Against Evasion Attacks [17.783849474913726]
本稿では,PAD(Principled Adversarial Malware Detection)と呼ばれる新しい対向学習フレームワークを提案する。 PADは、マルウェア検出装置を敵から守るために、分布的に離散的な摂動を定量化する学習可能な凸測定を基礎としている。 PADは、83.45%以上の精度で、27の回避攻撃に対するMLベースのマルウェア検出を強化できる。 VirusTotalの多くのアンチマルウェアスキャナーと、現実的な敵のマルウェアとを一致または性能で比較する。
論文参考訳（メタデータ） (2023-02-22T12:24:49Z)
BayesCap: Bayesian Identity Cap for Calibrated Uncertainty in Frozen Neural Networks [50.15201777970128]
本研究では,凍結モデルに対するベイズIDマッピングを学習し,不確実性の推定を可能にするBayesCapを提案する。 BayesCapは、元のデータセットのごく一部でトレーニングできる、メモリ効率のよいメソッドである。本稿では,多種多様なアーキテクチャを用いた多種多様なタスクに対する本手法の有効性を示す。
論文参考訳（メタデータ） (2022-07-14T12:50:09Z)
RoMA: a Method for Neural Network Robustness Measurement and Assessment [0.0]
ロバストネス測定・評価(RoMA)と呼ばれる新しい統計手法を提案する。 RoMAは、ランダムな入力摂動が誤分類を引き起こす可能性を決定する。この研究を通じて得られた興味深い洞察の1つは、分類ネットワークにおいて、異なる出力ラベルが全く異なる堅牢性レベルを示すことができることである。
論文参考訳（メタデータ） (2021-10-21T12:01:54Z)
Can We Leverage Predictive Uncertainty to Detect Dataset Shift and Adversarial Examples in Android Malware Detection? [20.96638126913256]
我々は6つのキャリブレーション法で4つのオフ・ザ・シェルフ検出器を変換することで、24個のAndroidマルウェア検出器を再設計し、構築する。データ不均衡を扱う3つの指標を含む9つの指標で、不確実性を定量化します。予測された逆例のラベルに関連する不確かさを定量化することは、オープンな問題である。
論文参考訳（メタデータ） (2021-09-20T16:16:25Z)
Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文参考訳（メタデータ） (2021-01-28T16:38:26Z)
Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文参考訳（メタデータ） (2020-11-24T19:52:38Z)

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。