論文の概要: Signal-Based Malware Classification Using 1D CNNs

• arxiv url: http://arxiv.org/abs/2509.06548v1
• Date: Mon, 08 Sep 2025 11:03:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.07738
• Title: Signal-Based Malware Classification Using 1D CNNs
• Title（参考訳）: 1次元CNNを用いた信号ベースマルウェア分類
• Authors: Jack Wilkie, Hanan Hindy, Ivan Andonovic, Christos Tachtatzis, Robert Atkinson,
• Abstract要約: マルウェア分類はサイバーセキュリティにおける現代的で進行中の課題である。 ファイルを2D画像に変換すると、大きな情報を失う。 この作業は、代わりにファイルを1D信号に変換することで、これらの弱点に対処する。 ResNetアーキテクチャとSwitch-and-Excitation層をベースとして,これらの信号を分類するために,ベスポーク1D畳み込みニューラルネットワークを開発した。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malware classification is a contemporary and ongoing challenge in cyber-security: modern obfuscation techniques are able to evade traditional static analysis, while dynamic analysis is too resource intensive to be deployed at a large scale. One prominent line of research addresses these limitations by converting malware binaries into 2D images by heuristically reshaping them into a 2D grid before resizing using Lanczos resampling. These images can then be classified based on their textural information using computer vision approaches. While this approach can detect obfuscated malware more effectively than static analysis, the process of converting files into 2D images results in significant information loss due to both quantisation noise, caused by rounding to integer pixel values, and the introduction of 2D dependencies which do not exist in the original data. This loss of signal limits the classification performance of the downstream model. This work addresses these weaknesses by instead resizing the files into 1D signals which avoids the need for heuristic reshaping, and additionally these signals do not suffer from quantisation noise due to being stored in a floating-point format. It is shown that existing 2D CNN architectures can be readily adapted to classify these 1D signals for improved performance. Furthermore, a bespoke 1D convolutional neural network, based on the ResNet architecture and squeeze-and-excitation layers, was developed to classify these signals and evaluated on the MalNet dataset. It was found to achieve state-of-the-art performance on binary, type, and family level classification with F1 scores of 0.874, 0.503, and 0.507, respectively, paving the way for future models to operate on the proposed signal modality.
• Abstract（参考訳）: 現代の難読化技術は従来の静的解析を回避でき、動的解析は大規模に展開するには資源集約的すぎる。 マルウェアのバイナリを2Dイメージに変換して、2Dグリッドにヒューリスティックに変換し、Lanczosリサンプリングを使ってサイズを変えることで、これらの制限に対処する研究の顕著なラインがある。 これらの画像は、コンピュータビジョンのアプローチを用いて、それらのテクスチャ情報に基づいて分類することができる。 静的解析よりも難読化マルウェアを効果的に検出できるが、ファイルの2D画像への変換プロセスは、整数ピクセル値への丸めによる量子化ノイズと、元のデータに存在しない2D依存の導入の両方によって、重要な情報損失をもたらす。 この信号の喪失は下流モデルの分類性能を制限する。 この研究は、ファイルを1D信号にサイズ変更することで、ヒューリスティックな再フォーマットの必要を回避し、浮動小数点のフォーマットに格納されているため、これらの信号は量子化ノイズに悩まされないという弱点に対処する。 既存の2次元CNNアーキテクチャは、これらの1次元信号の分類に容易に適応し、性能を向上させることができる。 さらに、ResNetアーキテクチャとSwitch-and-Excitation層に基づく1D畳み込みニューラルネットワークを開発し、これらの信号を分類し、MalNetデータセットで評価した。 その結果,F1スコアが0.874,0.503,0.507,F1スコアが0.507,F1スコアが0.574,F1スコアが0.507,F1スコアが0。

関連論文リスト

• EGR-Net: A Novel Embedding Gramian Representation CNN for Intelligent Fault Diagnosis [0.7252027234425334]
  回転機械の知的故障診断には特徴抽出が不可欠である。 複雑な1次元(1D)の振動信号を単純なテクスチャで2次元(2D)のイメージに変換することにより、畳み込みニューラルネットワーク(CNN)による視覚的特徴の認識と学習が容易になる。 本稿では,EGR ( Embedding Gramian Representation, Embedding Gramian Representation) と呼ばれる新しい1D-to-2D変換法を提案する。
  論文  参考訳（メタデータ） (2025-02-26T15:05:56Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• AliasNet: Alias Artefact Suppression Network for Accelerated Phase-Encode MRI [4.752084030395196]
  スパース再構成はMRIの重要な側面であり、取得時間を短縮し、空間時間分解能を改善するのに役立つ。 1D AliasNetモジュールと既存の2Dディープラーニング(DL)リカバリ技術を組み合わせることで、画像の品質が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-17T13:16:17Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• N2V2 -- Fixing Noise2Void Checkerboard Artifacts with Modified Sampling Strategies and a Tweaked Network Architecture [66.03918859810022]
  我々は,バニラN2V装置に2つの改良を加えて,不要なアーティファクトを大幅に削減する。 我々は、顕微鏡および自然画像データに基づいて、その修正を検証した。
  論文  参考訳（メタデータ） (2022-11-15T21:12:09Z)
• Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks [6.393288885927437]
  本稿では,視覚変換器を用いた教師なし異常検出ネットワークを提案する。 階層的なタスク学習と人間の経験を利用して、その解釈可能性を高めます。 従来の最先端手法を超越した99.8%のAUCを実現した。
  論文  参考訳（メタデータ） (2022-07-20T10:09:53Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning [16.224649756613655]
  画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。 実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。 浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2021-01-26T06:07:46Z)
• Background Adaptive Faster R-CNN for Semi-Supervised Convolutional Object Detection of Threats in X-Ray Images [64.39996451133268]
  我々は、バックグラウンド適応型高速R-CNNと呼ばれる脅威認識のための半教師付きアプローチを提案する。 本手法は,ディープラーニング分野からのドメイン適応手法を用いた2段階物体検出器の訓練手法である。 2つのドメイン識別器(1つはオブジェクト提案を識別し、もう1つは画像特徴を識別する)は、ドメイン固有の情報を符号化するのを防ぐために敵対的に訓練される。 これにより、手作業の背景から抽出した特徴の統計と実世界のデータとを一致させることで、脅威検出の誤報率を低減することができる。
  論文  参考訳（メタデータ） (2020-10-02T21:05:13Z)
• Temporal Distinct Representation Learning for Action Recognition [139.93983070642412]
  2次元畳み込みニューラルネットワーク (2D CNN) はビデオの特徴付けに用いられる。 ビデオの異なるフレームは同じ2D CNNカーネルを共有しており、繰り返し、冗長な情報利用をもたらす可能性がある。 本稿では,異なるフレームからの特徴の識別チャネルを段階的にエキサイティングにするためのシーケンシャルチャネルフィルタリング機構を提案し,繰り返し情報抽出を回避する。 本手法は,ベンチマーク時相推論データセットを用いて評価し,それぞれ2.4%,1.3%の可視性向上を実現している。
  論文  参考訳（メタデータ） (2020-07-15T11:30:40Z)

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。