Fugu-MT 論文翻訳(概要): A Hybrid Approach For Malware Classification Using Secondary Features Fusion

論文の概要: A Hybrid Approach For Malware Classification Using Secondary Features Fusion

arxiv url: http://arxiv.org/abs/2606.03432v1
Date: Tue, 02 Jun 2026 10:19:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:04.930861
Title: A Hybrid Approach For Malware Classification Using Secondary Features Fusion
Title（参考訳）: 二次特徴融合を用いたマルウェア分類のためのハイブリッドアプローチ
Authors: Raja Khurram Shahzad, Muhammad Mustaqeem, Haroon Elahi,
Abstract要約: 従来のマルウェア検出方法は、検出されたマルウェアをそれぞれの家族に分類することはできない。本稿では,検出されたマルウェアを各マルウェア群に分類する手法を提案する。提案手法を実験的に評価するために,Microsoft が提供したデータセットに二進法と多進法の両方の分類手法を適用した。
参考スコア（独自算出の注目度）: 0.15293427903448018
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The number of malware (either variant or novel) is rapidly increasing, making malware detection and mitigation a complex problem. One approach to improving malware mitigation is automatic detection and malware family classification. However, traditional malware detection methods cannot classify detected malware into their respective families, hindering effective malware mitigation. Consequently, this paper proposes a method to automate malware detection and classification of the detected malware into respective malware families. The proposed method uses feature fusion after extracting relevant malware features such as API calls and fixed and variable length n-grams with a customized feature selection method. Moreover, for the predictive model, a voting based approach is proposed for algorithm fusion. For the experimental evaluation of the proposed method, both binary and multi-class classification approaches are applied to the data set provided by Microsoft. Finally, the experimental results are compared with the state of the art. The experimental results indicate the effectiveness and efficiency of the proposed approach with an AUC of 0.989, accuracy of 99.72%, and a log loss of 0.01.
Abstract（参考訳）: マルウェアの数(変種または新規)が急速に増加し、マルウェアの検出と緩和が複雑な問題となっている。マルウェア対策の1つのアプローチは、自動検出とマルウェア家族分類である。しかし、従来のマルウェア検出方法は、検出されたマルウェアをそれぞれの家族に分類することができず、効果的なマルウェア対策を妨げている。そこで本研究では,検出されたマルウェアを各マルウェア群に分類し,自動検出する手法を提案する。提案手法は,APIコールや固定長,可変長n-gramなどの関連するマルウェア機能を,カスタマイズした特徴選択法で抽出した後,特徴融合を利用する。さらに,予測モデルに対しては,アルゴリズム融合のための投票に基づくアプローチを提案する。提案手法を実験的に評価するために,Microsoft が提供したデータセットに二進法と多進法の両方の分類手法を適用した。最後に、実験結果は最先端技術と比較される。実験の結果,AUC 0.989,精度99.72%,ログ損失0.01。

関連論文リスト

DWFS-Obfuscation: Dynamic Weighted Feature Selection for Robust Malware Familial Classification under Obfuscation [1.4742348415878401]
本稿では,特徴の重要性と安定性を解析する動的重み付き特徴選択法を提案する。次に,グラフニューラルネットワークを分類に利用し,検出システムの堅牢性と精度を向上させる。実験により,提案手法は難読データセットで95.56%,難読データセットで92.28%のF1スコアを達成した。
論文参考訳（メタデータ） (2025-04-10T09:37:43Z)
Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
論文参考訳（メタデータ） (2024-08-12T02:48:00Z)
Deep Learning Fusion For Effective Malware Detection: Leveraging Visual Features [12.431734971186673]
本研究では,マルウェアの実行可能量の異なるモードで学習した畳み込みニューラルネットワークモデルを融合する能力について検討する。我々は3種類の視覚的マルウェアを利用した新しいマルチモーダル融合アルゴリズムを提案している。提案した戦略は、与えられたデータセット内のマルウェアを識別する際の検出レート1.00(0-1)である。
論文参考訳（メタデータ） (2024-05-23T08:32:40Z)
Bayesian Learned Models Can Detect Adversarial Malware For Free [28.498994871579985]
対数訓練は有効な方法であるが、大規模データセットにスケールアップするには計算コストがかかる。特にベイズ式はモデルパラメータの分布を捉えることができ、モデル性能を犠牲にすることなく不確実性を定量化することができる。ベイズ学習法で不確実性を定量化することで、敵のマルウェアを防御できることがわかった。
論文参考訳（メタデータ） (2024-03-27T07:16:48Z)
Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
論文参考訳（メタデータ） (2023-12-25T21:25:55Z)
MalPurifier: Enhancing Android Malware Detection with Adversarial Purification against Evasion Attacks [18.016148305499865]
MalPurifierは、Androidのマルウェア検出用に特別に設計された、新しい対逆浄化フレームワークである。 2つの大規模なデータセットの実験により、MalPurifierは最先端の防御を著しく上回っていることが示された。 MalPurifierは軽量でモデルに依存しないプラグイン・アンド・プレイモジュールとして、MLベースのAndroidマルウェア検出器のセキュリティを強化するための実用的で効果的なソリューションを提供する。
論文参考訳（メタデータ） (2023-12-11T14:48:43Z)
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)
Towards a Fair Comparison and Realistic Design and Evaluation Framework of Android Malware Detectors [63.75363908696257]
一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
論文参考訳（メタデータ） (2022-05-25T08:28:08Z)
Mate! Are You Really Aware? An Explainability-Guided Testing Framework for Robustness of Malware Detectors [49.34155921877441]
マルウェア検出装置のロバスト性を示すための説明可能性誘導型およびモデルに依存しないテストフレームワークを提案する。次に、このフレームワークを使用して、操作されたマルウェアを検出する最先端のマルウェア検知器の能力をテストする。我々の発見は、現在のマルウェア検知器の限界と、その改善方法に光を当てた。
論文参考訳（メタデータ） (2021-11-19T08:02:38Z)
Task-Aware Meta Learning-based Siamese Neural Network for Classifying Obfuscated Malware [5.293553970082943]
既存のマルウェア検出方法は、トレーニングデータセットに難読化されたマルウェアサンプルが存在する場合、異なるマルウェアファミリーを正しく分類できない。そこで我々は,このような制御フロー難読化技術に対して耐性を持つ,タスク対応の複数ショット学習型サイメスニューラルネットワークを提案する。提案手法は,同一のマルウェアファミリーに属するマルウェアサンプルを正しく分類し,ユニークなマルウェアシグネチャの認識に極めて有効である。
論文参考訳（メタデータ） (2021-10-26T04:44:13Z)
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)

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。