論文の概要: Evaluating Diverse Feature Extraction Techniques of Multifaceted IoT Malware Analysis: A Survey
- arxiv url: http://arxiv.org/abs/2509.03442v1
- Date: Wed, 03 Sep 2025 16:10:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.590173
- Title: Evaluating Diverse Feature Extraction Techniques of Multifaceted IoT Malware Analysis: A Survey
- Title（参考訳）: 多面IoTマルウェア解析における多面的特徴抽出手法の評価:サーベイ
- Authors: Zhuoyun Qian, Hongyi Miao, Yili Jiang, Qin Hu, Jiaqi Huang, Cheng Zhang, Fangtian Zhong,
- Abstract要約: この調査は、IoTマルウェア分析のための機能抽出テクニックの包括的なレビューを提供する。
まず静的特徴抽出法と動的特徴抽出法,次いでハイブリッド手法について検討する。
次に,グラフ学習に基づく特徴表現戦略について検討する。
- 参考スコア（独自算出の注目度）: 9.266194874288507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As IoT devices continue to proliferate, their reliability is increasingly constrained by security concerns. In response, researchers have developed diverse malware analysis techniques to detect and classify IoT malware. These techniques typically rely on extracting features at different levels from IoT applications, giving rise to a wide range of feature extraction methods. However, current approaches still face significant challenges when applied in practice. This survey provides a comprehensive review of feature extraction techniques for IoT malware analysis from multiple perspectives. We first examine static and dynamic feature extraction methods, followed by hybrid approaches. We then explore feature representation strategies based on graph learning. Finally, we compare the strengths and limitations of existing techniques, highlight open challenges, and outline promising directions for future research.
- Abstract（参考訳）: IoTデバイスの普及が進むにつれ、その信頼性はセキュリティ上の懸念によってますます制限される。
これに対し、研究者はIoTマルウェアを検出し分類するための多様なマルウェア分析手法を開発した。
これらのテクニックは一般的に、IoTアプリケーションからさまざまなレベルの機能を抽出することに依存しており、幅広い機能抽出方法を生み出している。
しかし、現在のアプローチは、実際に適用しても大きな課題に直面しています。
この調査は、IoTマルウェア分析のための機能抽出テクニックを、複数の観点から包括的にレビューする。
まず静的特徴抽出法と動的特徴抽出法,次いでハイブリッド手法について検討する。
次に,グラフ学習に基づく特徴表現戦略について検討する。
最後に、既存のテクニックの強みと限界を比較し、オープンな課題を強調し、将来の研究に向けた有望な方向性を概説する。
関連論文リスト
- A Systematic Survey of Model Extraction Attacks and Defenses: State-of-the-Art and Perspectives [65.3369988566853]
近年の研究では、敵が対象モデルの機能を複製できることが示されている。
モデル抽出攻撃は知的財産権、プライバシー、システムのセキュリティに脅威をもたらす。
本稿では,攻撃機構,防衛手法,計算環境に応じてMEAを分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2025-08-20T19:49:59Z) - Security through the Eyes of AI: How Visualization is Shaping Malware Detection [12.704411714353787]
マルウェアの検出と分類に応用された既存の可視化に基づくアプローチを評価する。
このフレームワーク内では、マルウェア検出パイプラインの重要な段階にわたる最先端のアプローチを分析する。
我々は、可視化ベースのアプローチにおける主な課題を明らかにし、この重要な分野における進歩と将来的な方向性についての洞察を提供する。
論文 参考訳（メタデータ） (2025-05-12T13:53:56Z) - Survey on AI-Generated Media Detection: From Non-MLLM to MLLM [51.91311158085973]
AI生成メディアを検出する方法は急速に進化してきた。
MLLMに基づく汎用検出器は、信頼性検証、説明可能性、ローカライゼーション機能を統合する。
倫理的・セキュリティ的な配慮が、重要な世界的な懸念として浮上している。
論文 参考訳（メタデータ） (2025-02-07T12:18:20Z) - Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。
近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T00:25:33Z) - Deep Image: A precious image based deep learning method for online
malware detection in IoT Environment [12.558284943901613]
本稿では,マルウェア解析の異なる視点を考察し,各サンプルの特徴のリスクレベルを算出した。
通常の機械学習基準、すなわち精度とFPRに加えて、サンプルのリスクに基づく基準も提案されている。
その結果,ディープ・ラーニング・アプローチがマルウェアの検出に有効であることが示唆された。
論文 参考訳（メタデータ） (2022-04-04T17:56:55Z) - Inspect, Understand, Overcome: A Survey of Practical Methods for AI
Safety [54.478842696269304]
安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。
近年,これらの安全対策を目的とした最先端技術動物園が出現している。
本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
論文 参考訳（メタデータ） (2021-04-29T09:54:54Z) - Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。
既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。
本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文 参考訳（メタデータ） (2020-03-16T02:47:23Z)
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。