論文の概要: IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense

• arxiv url: http://arxiv.org/abs/2512.20004v1
• Date: Tue, 23 Dec 2025 02:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.724634
• Title: IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense
• Title（参考訳）: 敵防御を用いたグラフニューラルネットワークを用いたIoTベースのAndroidマルウェア検出
• Authors: Rahul Yumlembam, Biju Issac, Seibu Mary Jacob, Longzhi Yang,
• Abstract要約: グラフニューラルネットワーク(GNN)ベースの分類器を用いて,APIグラフの埋め込みを生成することにより,グラフに基づく分類の有効性を示す。 本稿では,グラフベースのGNN Androidマルウェア分類器を対象とした,GANベースの攻撃アルゴリズム VGAE-MalGAN を提案する。
• 参考スコア（独自算出の注目度）: 3.2846283642465077
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the Internet of Things (IoT) is widely adopted using Android applications, detecting malicious Android apps is essential. In recent years, Android graph-based deep learning research has proposed many approaches to extract relationships from applications as graphs to generate graph embeddings. First, we demonstrate the effectiveness of graph-based classification using a Graph Neural Network (GNN)-based classifier to generate API graph embeddings. The graph embeddings are combined with Permission and Intent features to train multiple machine learning and deep learning models for Android malware detection. The proposed classification approach achieves an accuracy of 98.33 percent on the CICMaldroid dataset and 98.68 percent on the Drebin dataset. However, graph-based deep learning models are vulnerable, as attackers can add fake relationships to evade detection by the classifier. Second, we propose a Generative Adversarial Network (GAN)-based attack algorithm named VGAE-MalGAN targeting graph-based GNN Android malware classifiers. The VGAE-MalGAN generator produces adversarial malware API graphs, while the VGAE-MalGAN substitute detector attempts to mimic the target detector. Experimental results show that VGAE-MalGAN can significantly reduce the detection rate of GNN-based malware classifiers. Although the model initially fails to detect adversarial malware, retraining with generated adversarial samples improves robustness and helps mitigate adversarial attacks.
• Abstract（参考訳）: IoT(Internet of Things)はAndroidアプリケーションで広く採用されているため、悪意のあるAndroidアプリを検出することが不可欠である。 近年,Android グラフに基づくディープラーニング研究は,グラフの埋め込みを生成するアプリケーションから関係を抽出するための多くのアプローチを提案している。 まず、グラフニューラルネットワーク(GNN)ベースの分類器を用いて、APIグラフの埋め込みを生成するグラフベース分類の有効性を示す。 グラフ埋め込みはPermissionとIntentの機能を組み合わせることで、Androidのマルウェア検出のために複数の機械学習モデルとディープラーニングモデルをトレーニングする。 提案された分類手法は、CICMaldroidデータセットで98.33%、Drebinデータセットで98.68パーセントの精度を達成する。 しかし、グラフベースのディープラーニングモデルは脆弱性があり、攻撃者は分類器による検出を避けるために偽の関係を追加することができる。 次に,グラフベースのGNN Androidマルウェア分類器を対象としたGANベースの攻撃アルゴリズムVGAE-MalGANを提案する。 VGAE-MalGANジェネレータは敵のマルウェアAPIグラフを生成し、VGAE-MalGAN代替検出器はターゲット検出器を模倣しようとする。 実験の結果,VGAE-MalGANはGNNベースのマルウェア分類器の検出率を大幅に低下させることができることがわかった。 モデルは当初、敵のマルウェアを検出するのに失敗するが、生成した敵のサンプルで再訓練することで堅牢性が向上し、敵の攻撃を軽減できる。

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)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
  グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。 近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。 本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-01-10T08:37:39Z)
• OCGEC: One-class Graph Embedding Classification for DNN Backdoor Detection [18.11795712499763]
  本研究では,一クラスグラフ埋め込み分類(OCGEC)と呼ばれる新しい一クラス分類フレームワークを提案する。 OCGECは、少量のクリーンデータだけでモデルレベルのバックドア検出にGNNを使用する。 他のベースラインと比較して、AUCのスコアは、多くのタスクで98%以上である。
  論文  参考訳（メタデータ） (2023-12-04T02:48:40Z)
• A Survey on Malware Detection with Graph Representation Learning [0.0]
  マルウェアの検出は、マルウェアの数と複雑さの増大により、大きな関心事となっている。 近年、機械学習(ML)、特にディープラーニング(DL)は、データから有用な表現を学習することで、マルウェア検出において印象的な成果を上げている。 本稿は、共通アプローチとアーキテクチャの下で既存の作品を要約し、統一するための詳細な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:08Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Graph Neural Network-based Android Malware Classification with Jumping Knowledge [3.408873763213743]
  本稿では,Android マルウェア検出のための GNN ベースの手法を提案する。 オーバースムーシング問題の影響を最小限に抑えるために跳躍知識技術を適用した。 提案手法は2つのベンチマークデータセットを用いて広範に評価されている。
  論文  参考訳（メタデータ） (2022-01-19T11:29:02Z)
• Graph Structure Learning for Robust Graph Neural Networks [63.04935468644495]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力なツールである。 近年の研究では、GNNは敵攻撃と呼ばれる、慎重に構築された摂動に弱いことが示されている。 本稿では,構造グラフと頑健なグラフニューラルネットワークモデルを共同で学習できる汎用フレームワークであるPro-GNNを提案する。
  論文  参考訳（メタデータ） (2020-05-20T17:07:05Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。