Fugu-MT 論文翻訳(概要): Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware

論文の概要: Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware

arxiv url: http://arxiv.org/abs/2409.16639v1
Date: Wed, 25 Sep 2024 05:38:09 GMT
ステータス: 処理完了
システム内更新日: 2024-09-27 05:23:25.813121
Title: Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware
Title（参考訳）: トンネルにおけるラットの観察:Tor-based malwareの解釈可能なマルチラベル分類
Authors: Ishan Karunanayake, Mashael AlSabah, Nadeem Ahmed, Sanjay Jha,
Abstract要約: Tor上の悪意のあるトラフィックは混雑を誘発し、Torのパフォーマンスを低下させる。最近の研究は、捕獲されたTorのトラフィックを悪意または良心として正確に分類する可能性を実証している。
参考スコア（独自算出の注目度）: 3.62129446831783
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite being the most popular privacy-enhancing network, Tor is increasingly adopted by cybercriminals to obfuscate malicious traffic, hindering the identification of malware-related communications between compromised devices and Command and Control (C&C) servers. This malicious traffic can induce congestion and reduce Tor's performance, while encouraging network administrators to block Tor traffic. Recent research, however, demonstrates the potential for accurately classifying captured Tor traffic as malicious or benign. While existing efforts have addressed malware class identification, their performance remains limited, with micro-average precision and recall values around 70%. Accurately classifying specific malware classes is crucial for effective attack prevention and mitigation. Furthermore, understanding the unique patterns and attack vectors employed by different malware classes helps the development of robust and adaptable defence mechanisms. We utilise a multi-label classification technique based on Message-Passing Neural Networks, demonstrating its superiority over previous approaches such as Binary Relevance, Classifier Chains, and Label Powerset, by achieving micro-average precision (MAP) and recall (MAR) exceeding 90%. Compared to previous work, we significantly improve performance by 19.98%, 10.15%, and 59.21% in MAP, MAR, and Hamming Loss, respectively. Next, we employ Explainable Artificial Intelligence (XAI) techniques to interpret the decision-making process within these models. Finally, we assess the robustness of all techniques by crafting adversarial perturbations capable of manipulating classifier predictions and generating false positives and negatives.
Abstract（参考訳）: 最も人気のあるプライバシー保護ネットワークであるTorは、悪意のあるトラフィックを妨害するためにサイバー犯罪者によって採用され、侵入されたデバイスとコマンド・アンド・コントロール(C&C)サーバー間のマルウェア関連の通信の識別を妨げている。この悪意のあるトラフィックは混雑を誘発し、Torのパフォーマンスを低下させ、ネットワーク管理者はTorトラフィックをブロックするように促す。しかし、最近の研究は、捕獲されたTorのトラフィックを悪意または良心として正確に分類する可能性を実証している。既存の取り組みでは、マルウェアのクラス識別に対処しているが、その性能は依然として制限されており、マイクロ平均精度とリコール値は約70%である。特定のマルウェアの正確な分類は、効果的な攻撃予防と緩和に不可欠である。さらに、異なるマルウェアクラスで使用されるユニークなパターンや攻撃ベクトルを理解することは、堅牢で適応可能な防御機構の開発に役立つ。我々は、メッセージパッシングニューラルネットワークに基づくマルチラベル分類手法を利用して、マイクロ平均精度(MAP)とリコール(MAR)を90%以上達成し、バイナリ関連性、分類チェイン、ラベルパワーセットといった従来のアプローチよりも優れていることを示す。従来の研究と比較して、MAP、MAR、ハミングロスでは、それぞれ19.98%、10.15%、59.21%のパフォーマンスが大幅に向上した。次に、これらのモデル内の意思決定プロセスを理解するために、説明可能な人工知能(XAI)技術を使用します。最後に,分類器の予測を操作でき,偽陽性や負の予測を生成できる逆の摂動を発生させることにより,全ての手法の堅牢性を評価する。

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)
Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
論文参考訳（メタデータ） (2023-10-18T11:36:42Z)
Creating Valid Adversarial Examples of Malware [4.817429789586127]
本稿では、強化学習アルゴリズムを用いて、敵のマルウェアの例を生成する。 PPOアルゴリズムを用いて,勾配型決定木(GBDT)モデルに対して53.84%の回避率を達成した。機能保存型可搬性改造のランダムな適用は、主要なアンチウイルスエンジンを回避できる。
論文参考訳（メタデータ） (2023-06-23T16:17:45Z)
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)
A New Deep Boosted CNN and Ensemble Learning based IoT Malware Detection [0.0]
セキュリティ問題は、特にIoT(Internet of Things)環境で、さまざまなタイプのネットワークで脅かされている。我々は,新しいマルウェア検出フレームワークであるDeep Squeezed-Boosted and Ensemble Learning (DSBEL)を開発し,Squeezed-Boosted Boundary-Region Split-Transform-Merge (SB-BR-STM) CNNとアンサンブル学習を行った。
論文参考訳（メタデータ） (2022-12-15T18:14:51Z)
Modelling Adversarial Noise for Adversarial Defense [96.56200586800219]
敵の防御は、通常、敵の音を除去したり、敵の頑強な目標モデルを訓練するために、敵の例を活用することに焦点を当てる。逆データと自然データの関係は、逆データからクリーンデータを推測し、最終的な正しい予測を得るのに役立ちます。本研究では, ラベル空間の遷移関係を学習するために, 逆方向の雑音をモデル化し, 逆方向の精度を向上させることを目的とした。
論文参考訳（メタデータ） (2021-09-21T01:13:26Z)
Combating Adversaries with Anti-Adversaries [118.70141983415445]
特に、我々の層は、逆の層とは反対の方向に入力摂動を生成します。我々は,我々の階層と名目および頑健に訓練されたモデルを組み合わせることで,我々のアプローチの有効性を検証する。我々の対向層は、クリーンな精度でコストを伴わずにモデルロバスト性を著しく向上させる。
論文参考訳（メタデータ） (2021-03-26T09:36:59Z)
Binary Black-box Evasion Attacks Against Deep Learning-based Static Malware Detectors with Adversarial Byte-Level Language Model [11.701290164823142]
MalRNNは、制限なく回避可能なマルウェアバリアントを自動的に生成する新しいアプローチです。 MalRNNは、3つの最近のディープラーニングベースのマルウェア検出器を効果的に回避し、現在のベンチマークメソッドを上回ります。
論文参考訳（メタデータ） (2020-12-14T22:54:53Z)
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)
IoT Malware Network Traffic Classification using Visual Representation and Deep Learning [1.7205106391379026]
ディープラーニングと視覚表現を用いた新しいIoTマルウェアトラフィック分析手法を提案する。提案手法における悪意あるネットワークトラフィックの検出はパッケージレベルで動作し,検出時間を大幅に短縮する。 Residual Neural Network(ResNet50)の実験結果は、マルウェアのトラフィックを検出するための94.50%の精度で、非常に有望である。
論文参考訳（メタデータ） (2020-10-04T22:44:04Z)

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。