論文の概要: Deep Learning Based XIoT Malware Analysis: A Comprehensive Survey, Taxonomy, and Research Challenges

• arxiv url: http://arxiv.org/abs/2410.13894v1
• Date: Mon, 14 Oct 2024 19:04:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:25:58.759398
• Title: Deep Learning Based XIoT Malware Analysis: A Comprehensive Survey, Taxonomy, and Research Challenges
• Title（参考訳）: ディープラーニングに基づくXIoTマルウェア分析 - 包括的な調査、分類学、研究課題
• Authors: Rami Darwish, Mahmoud Abdelsalam, Sajad Khorsandroo,
• Abstract要約: IoT(Internet of Things)は,急速に成長するコンピューティング産業のひとつだ。 従来のマルウェア検出手法は、これらの新しい種類のマルウェアに対して効果が低い。 機械学習(ML)とディープラーニング(DL)アプローチは、これらの新しいIoTマルウェアの亜種を扱うのに有効であることが証明されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The Internet of Things (IoT) is one of the fastest-growing computing industries. By the end of 2027, more than 29 billion devices are expected to be connected. These smart devices can communicate with each other with and without human intervention. This rapid growth has led to the emergence of new types of malware. However, traditional malware detection methods, such as signature-based and heuristic-based techniques, are becoming increasingly ineffective against these new types of malware. Therefore, it has become indispensable to find practical solutions for detecting IoT malware. Machine Learning (ML) and Deep Learning (DL) approaches have proven effective in dealing with these new IoT malware variants, exhibiting high detection rates. In this paper, we bridge the gap in research between the IoT malware analysis and the wide adoption of deep learning in tackling the problems in this domain. As such, we provide a comprehensive review on deep learning based malware analysis across various categories of the IoT domain (i.e. Extended Internet of Things (XIoT)), including Industrial IoT (IIoT), Internet of Medical Things (IoMT), Internet of Vehicles (IoV), and Internet of Battlefield Things (IoBT).
• Abstract（参考訳）: IoT(Internet of Things)は,急速に成長するコンピューティング産業のひとつだ。 2027年末までには、29億以上のデバイスが接続されると予想されている。 これらのスマートデバイスは、人間の介入なしに相互に通信することができる。 この急激な成長は、新しいタイプのマルウェアの出現につながった。 しかし,シグネチャベースやヒューリスティックベースの手法のような従来のマルウェア検出手法は,これらの新しいタイプのマルウェアに対して効果が増している。 そのため、IoTマルウェアを検出するための実用的な解決策を見つけることは不可欠である。 機械学習(ML)とディープラーニング(DL)アプローチは、これらの新しいIoTマルウェアの亜種を扱う上で有効であることが証明されており、高い検出率を示している。 本稿では、IoTマルウェア分析と、この領域における問題に対処する深層学習の広範にわたる研究のギャップを橋渡しする。 そのため、IoT(Industrial IoT)、Internet of Medical Things(IoMT)、Internet of Vehicles(IoV)、Internet of Battlefield Things(IoBT)など、IoTドメインのさまざまなカテゴリ(すなわちExtended Internet of Things(XIoT))にわたる、ディープラーニングベースのマルウェア分析に関する包括的なレビューを提供する。

関連論文リスト

• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• A Survey on Cross-Architectural IoT Malware Threat Hunting [2.767968065747037]
  Windows PEベースのマルウェアを狩る研究は成熟しているが、Linuxのマルウェアの脅威狩りの開発は比較的少ない。 IoT(Internet of Things)時代の到来により、人間の生活に組み込まれたスマートデバイスは、悪意ある活動のためのハッカーのハイウェイになりつつある。 本研究の目的は、アーキテクチャ横断型IoTマルウェアの検出と分類アプローチにおける最新の開発状況に関する総合的な調査を提供することである。
  論文  参考訳（メタデータ） (2023-06-09T19:01:32Z)
• MalIoT: Scalable and Real-time Malware Traffic Detection for IoT Networks [6.426881566121233]
  このシステムは、Apache KafkaやApache Sparkといった分散システムを使用することで、IoTデバイスの指数的な成長を処理できる。 これらの技術は協力して、スケーラブルなパフォーマンスと高い精度を提供するシステムを構築する。
  論文  参考訳（メタデータ） (2023-04-02T20:47:08Z)
• 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)
• Harnessing the Power of Decision Trees to Detect IoT Malware [0.0]
  IoT(Internet of Things)は、マルウェア攻撃の影響を受けやすい。 静的な手法を用いる現在の方法と分析は効果がない。 本稿では,決定木の力を利用する新しい検出・解析手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T00:56:10Z)
• 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)
• Malware Squid: A Novel IoT Malware Traffic Analysis Framework using Convolutional Neural Network and Binary Visualisation [2.309914459672557]
  ニューラルネットワークとバイナリビジュアライゼーションを用いた新しいIoTマルウェアトラフィック分析手法を提案する。 提案手法の最大の動機は、新しいマルウェア(ゼロデイマルウェア)を素早く検出し分類することである。
  論文  参考訳（メタデータ） (2021-09-08T00:21:45Z)
• ML-based IoT Malware Detection Under Adversarial Settings: A Systematic Evaluation [9.143713488498513]
  本研究は,様々な表現と学習技術を利用した最先端のマルウェア検出手法を体系的に検討する。 本研究では, 剥ぎ取りやパディングなどの機能保存操作によるソフトウェア変異が, 検出精度を著しく低下させることを示した。
  論文  参考訳（メタデータ） (2021-08-30T16:54:07Z)
• Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence [45.076180487387575]
  人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。 これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。 広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
  論文  参考訳（メタデータ） (2021-05-04T23:42:06Z)
• Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
  モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。 大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。 まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。 次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
  論文  参考訳（メタデータ） (2021-03-10T20:10:53Z)

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。