論文の概要: ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection
- arxiv url: http://arxiv.org/abs/2608.03250v1
- Date: Tue, 04 Aug 2026 07:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.078286
- Title: ShielDroid: A Hybrid Approach Integrating Machine and Deep Learning for Android Malware Detection
- Title（参考訳）: ShielDroid: Androidのマルウェア検出のためのマシンとディープラーニングを統合したハイブリッドアプローチ
- Abstract要約: 本研究では,アプリケーション動作を分析し,複雑なマルウェアを正確に識別・分類するリアルタイムAndroidマルウェア検出フレームワークを提案する。
提案フレームワークは、悪意のあるアプリケーションのタイムリーな検出を可能にし、サイバー攻撃のリスクを低減することにより、モバイルデバイスのセキュリティを高めることができる。
- 参考スコア（独自算出の注目度）: 0.07817813851272346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of modern technology has led to a significant increase in the use of smart devices, such as smartphones and tablets, resulting in the widespread adoption of mobile applications. Although applications are required to undergo malware screening before being published on official app stores, many malicious applications successfully evade detection by concealing sophisticated malware variants. These malicious behaviors are often activated only during runtime, making them difficult to identify through conventional static analysis. As a result, malware may remain undetected until after installation, potentially causing irreversible damage to users and their devices. This study presents a real-time Android malware detection framework that analyzes application behavior to accurately identify and classify complex malware. The proposed approach employs a hybrid dynamic analysis technique to distinguish malicious applications from benign ones. After preprocessing and filtering the collected dataset, the applications are classified using multiple machine learning algorithms. A comprehensive performance evaluation is conducted to compare the effectiveness of different classification techniques in terms of detection accuracy and execution time. Experimental results demonstrate that a hybrid model combining Random Forest and a Multilayer Perceptron achieves the best overall performance, attaining an accuracy of 97.5% with an execution time of 22.945 seconds. The proposed framework can enhance mobile device security by enabling timely detection of malicious applications and reducing the risk of cyberattacks.
- Abstract（参考訳）: 最新の技術の急速な進歩は、スマートフォンやタブレットなどのスマートデバイスの使用を著しく増加させ、モバイルアプリケーションの普及に繋がった。
アプリケーションは公式のアプリストアで公開される前にマルウェアスクリーニングを行う必要があるが、多くの悪意のあるアプリケーションは、洗練されたマルウェアの変種を隠蔽することで検出を回避した。
これらの悪意のある動作は実行時にのみ起動されることが多く、従来の静的解析では識別が困難である。
その結果、マルウェアはインストール後まで検出されず、ユーザとそのデバイスに不可逆的なダメージを与える可能性がある。
本研究では,アプリケーション動作を分析し,複雑なマルウェアを正確に識別・分類するリアルタイムAndroidマルウェア検出フレームワークを提案する。
提案手法は,悪質なアプリケーションと良質なアプリケーションを区別するために,ハイブリッドな動的解析手法を用いる。
収集したデータセットを前処理してフィルタリングした後、アプリケーションは複数の機械学習アルゴリズムを使用して分類される。
検出精度と実行時間の観点から,異なる分類手法の有効性を比較するため,総合的な性能評価を行った。
実験結果から、ランダムフォレストと多層パーセプトロンを組み合わせたハイブリッドモデルは、実行時間22.945秒の精度で97.5%の精度で最高の全体的な性能を達成することが示された。
提案フレームワークは、悪意のあるアプリケーションのタイムリーな検出を可能にし、サイバー攻撃のリスクを低減することにより、モバイルデバイスのセキュリティを高めることができる。
関連論文リスト
- Empirical Evaluation of SMOTE in Android Malware Detection with Machine Learning: Challenges and Performance in CICMalDroid 2020 [0.0]
この作業は、動的実行特性から悪意のあるコードを検出する機械学習アルゴリズムをテストする。
テストされた構成の75%では、SMOTEの適用によってパフォーマンスが低下するか、限界しか改善されなかった。
XGBoostやRandom Forestのような木ベースのアルゴリズムは、常に他のアルゴリズムよりも優れており、94%以上の重み付けリコールを達成した。
論文 参考訳（メタデータ） (2026-02-09T14:47:47Z) - 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) - 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) - ActDroid: An active learning framework for Android malware detection [3.195234044113248]
12秒ごとに新しいマルウェアがオンラインに現れる。
オンライン学習は、アプリケーションラベリングの問題を軽減するために使用できる。
私たちのフレームワークは最大96%の精度を実現しています。
論文 参考訳（メタデータ） (2024-01-30T13:10:33Z) - Android Malware Detection with Unbiased Confidence Guarantees [1.6432632226868131]
本稿では,マルウェア検出毎に確実な信頼性を保証する機械学習動的解析手法を提案する。
提案手法は、Conformal Predictionと呼ばれる新しい機械学習フレームワークと、ランダムな森林分類器を組み合わせたものである。
実際のアンドロイドデバイスに1866の悪意のある4816の良質なアプリケーションをインストールすることで,大規模なデータセット上での性能を検証した。
論文 参考訳（メタデータ） (2023-12-17T11:07:31Z) - Enhancing Enterprise Network Security: Comparing Machine-Level and
Process-Level Analysis for Dynamic Malware Detection [2.812395851874055]
動的解析は、静的解析をバイパスするために一般的に使用される回避テクニックを克服することができる。
悪意のあるマシンは、必ずしもマシン上で実行しているすべてのプロセスが悪意があるという意味ではない。
バックグラウンドアプリケーションの存在は、過去の最先端の精度を平均で約20.12%低下させる。
論文 参考訳（メタデータ） (2023-10-27T14:17:35Z) - Overload: Latency Attacks on Object Detection for Edge Devices [47.9744734181236]
本稿では,ディープラーニングアプリケーションに対する遅延攻撃について検討する。
誤分類に対する一般的な敵攻撃とは異なり、遅延攻撃の目標は推論時間を増やすことである。
このような攻撃がどのように動作するかを示すために、オブジェクト検出を使用します。
論文 参考訳（メタデータ） (2023-04-11T17:24:31Z) - 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) - EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box
Android Malware Detection [2.2811510666857546]
EvadeDroidは、現実のシナリオでブラックボックスのAndroidマルウェア検出を効果的に回避するために設計された、問題空間の敵攻撃である。
EvadeDroidは, DREBIN, Sec-SVM, ADE-MA, MaMaDroid, Opcode-SVMに対して, 1-9クエリで80%-95%の回避率を達成した。
論文 参考訳（メタデータ） (2021-10-07T09:39:40Z) - 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。