Fugu-MT 論文翻訳(概要): On the Performance of Malware Detection Classifiers Using Hardware Performance Counters

論文の概要: On the Performance of Malware Detection Classifiers Using Hardware Performance Counters

arxiv url: http://arxiv.org/abs/2608.02671v1
Date: Sun, 02 Aug 2026 14:28:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.882418
Title: On the Performance of Malware Detection Classifiers Using Hardware Performance Counters
Title（参考訳）: ハードウェア性能カウンタを用いたマルウェア検出分類器の性能について
Abstract要約: ハードウェアベースのマルウェア検知器(HMD)は、悪意あるアプリケーションパターンを検出するために機械学習(ML)分類器を使用する。本稿では,HPCと機械学習分類器を用いたマルウェア検出を提案する。我々は、アンサンブル学習技術を用いて、ハードウェアベースのマルウェア検知器の性能を向上させる。
参考スコア（独自算出の注目度）: 0.36944296923226316
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Malware detection using Hardware Performance Counters (HPC) has emerged as a promising solution to improve the security of computing systems as a complement to antivirus software. Hardware-based malware detectors (HMD) use Machine Learning (ML) classifiers to detect malicious application patterns. The inputs to ML classifiers are low-level performance features known as HPCs, hardware-related activity data collected from a processor at run time to profile the low-level microarchitectural behavior of an application. This paper proposes malware detection using HPCs and machine learning classifiers and highlights the effectiveness of malware detection at run-time. We use ensemble learning techniques to improve the performance of the hardware-based malware detectors, which reduces the number of necessary micro-architectural events. This improves the processor's efficiency by eliminating the need to run an application several times since a processor can measure only 2 to 8 events at a cycle. We use 18 machine-learning models along with two ensemble learning methods to evaluate the malware detection performance, creating a total of 144 different configurations. The experimental results show that the ensemble learning-based malware detection with 2 HPCs using the ensemble technique outperforms standard classifiers with 8 HPCs by up to 10%. It also matches the performance of standard ML-based detectors that use 16 HPCs while requiring only 4 HPCs, thereby enabling effective run-time malware detection.
Abstract（参考訳）: ハードウェアパフォーマンスカウンタ(HPC)を用いたマルウェア検出は、アンチウイルスソフトウェアを補完するものとして、コンピュータシステムのセキュリティを改善するための有望なソリューションとして登場した。ハードウェアベースのマルウェア検知器(HMD)は、悪意あるアプリケーションパターンを検出するために機械学習(ML)分類器を使用する。 ML分類器への入力は、HPCとして知られる低レベルのパフォーマンス特徴であり、実行時にプロセッサから収集されたハードウェア関連のアクティビティデータは、アプリケーションの低レベルのマイクロアーキテクチャの振る舞いをプロファイルする。本稿では,HPCと機械学習分類器を用いたマルウェア検出を提案し,実行時のマルウェア検出の有効性を強調した。我々は、アンサンブル学習技術を用いて、ハードウェアベースのマルウェア検知器の性能を向上し、必要なマイクロアーキテクチャイベントの数を減らす。これにより、プロセッサが1サイクルで2から8のイベントしか測定できないため、アプリケーションを複数回実行する必要がなくなることにより、プロセッサの効率が向上する。我々は18の機械学習モデルと2つのアンサンブル学習手法を用いて、マルウェア検出性能を評価し、合計144の異なる構成を生成する。実験結果から,アンサンブルを用いた2つのHPCを用いたアンサンブル学習によるマルウェア検出は,8つのHPCを持つ標準分類器を最大10%向上させることがわかった。また、4つのHPCしか必要とせず、16のHPCを使用する標準のMLベースの検出器の性能と一致し、効率的な実行時のマルウェア検出を可能にする。

関連論文リスト

Performance analysis of Machine learning algorithms for predicting malware [0.0]
マルウェアは、現代のコンピューティングシステムに永続的で進化的な脅威をもたらす。従来のシグネチャベースのアンチウイルスソリューションは、新しく出現するマルウェアを特定するのに失敗することが多い。本研究では,機械学習によるマルウェア検出フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-03T03:24:58Z)
RockNet: Distributed Learning on Ultra-Low-Power Devices [49.01692357536576]
本稿では,超低消費電力ハードウェアに適した新しいTinyML法であるRockNetを提案する。 CPSは複数のデバイスで構成されているため,機械学習と無線通信を統合した分散学習手法を設計する。この結果から,分散ML,分散コンピューティング,通信の緊密な統合により,最先端の精度で超低消費電力ハードウェアのトレーニングが可能となった。
論文参考訳（メタデータ） (2025-10-15T09:09:30Z)
DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文参考訳（メタデータ） (2025-09-15T10:59:57Z)
Certifiably robust malware detectors by design [48.367676529300276]
設計によるロバストなマルウェア検出のための新しいモデルアーキテクチャを提案する。すべての堅牢な検出器を特定の構造に分解することができ、それを経験的に堅牢なマルウェア検出器の学習に適用できることを示す。我々のフレームワークERDALTはこの構造に基づいている。
論文参考訳（メタデータ） (2025-08-10T09:19:29Z)
Detecting Hardware Trojans in Microprocessors via Hardware Error Correction Code-based Modules [49.1574468325115]
ハードウェアトロイの木馬(HT)は、攻撃者が無許可のソフトウェアを実行したり、特権操作に不正にアクセスしたりすることができる。 RISC-Vマイクロプロセッサ上のエラー訂正符号(ECC)を用いて,ランタイムHTアクティベーションを検出するハードウェアベースの手法を紹介する。
論文参考訳（メタデータ） (2025-06-18T12:37:14Z)
A Survey of Malware Detection Using Deep Learning [6.349503549199403]
本稿では,ディープラーニング(DL)を用いたWindows,iOS,Android,Linuxにおけるマルウェア検出の進歩について検討する。本稿では,DL分類器を用いたマルウェア検出の問題点と課題について論じる。各種データセットに対する8つの一般的なDLアプローチについて検討する。
論文参考訳（メタデータ） (2024-07-27T02:49:55Z)
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)
Can Feature Engineering Help Quantum Machine Learning for Malware Detection? [7.010669841466896]
本稿では,この問題に対処するための理論量子MLのハイブリッドフレームワークを提案する。 XGBoostが選択したVQCは、シミュレータで78.91%の精度でテストできる。 XGBoostで選択した特徴を用いてトレーニングしたモデルの平均精度は74%であった。
論文参考訳（メタデータ） (2023-05-03T19:33:49Z)
Comprehensive Efficiency Analysis of Machine Learning Algorithms for Developing Hardware-Based Cybersecurity Countermeasures [0.0]
現代のコンピュータシステムによって、サイバー敵は以前よりも高度なマルウェアを作れるようになった。現代の検出技術は、悪意のあるソフトウェアの検出率を高めるために、機械学習フィールドとハードウェアを使用する。 HPC値に匹敵しないマルウェアがこれらの新しい手法に接触すると、問題が発生する。
論文参考訳（メタデータ） (2022-01-05T22:08:57Z)
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)
Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
論文参考訳（メタデータ） (2020-08-17T07:16:57Z)

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。