論文の概要: Enhancing Multiclass Malware Classification in Resource-Constrained Environments

• arxiv url: http://arxiv.org/abs/2609.27950v1
• Date: Sun, 23 Aug 2026 03:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.017862
• Title: Enhancing Multiclass Malware Classification in Resource-Constrained Environments
• Title（参考訳）: 資源制約環境におけるマルチクラスマルウェア分類の強化
• Abstract要約: マルチクラスのマルウェア攻撃はサイバーセキュリティに対する脅威が増加し、深刻なものとなっている。 既存の機械学習モデルはバイナリマルウェアの分類においてほぼ完璧な精度を達成している。 本研究は,マルチクラスのマルウェア分類における検出精度を高めることにより,ギャップを埋めるものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The emergence of multi-class malware attacks such as ransomware, spyware, trojans, etc., presents an increasing and serious threat to cybersecurity, particularly in resourceconstrained environments like IoT devices. Existing machine learning models have achieved nearly perfect accuracy in binary malware classification but fall short in terms of classifying malware families and individual malware. Additionally, the complexity of these multi-class malware attacks presents a significant challenge of detection in resource-constrained environments, as multi-class detection usually requires high computational capability. This research bridges the gap by enhancing the detection accuracy of multi-class malware classification as well as developing a lightweight model that can run efficiently on resource-constrained devices. In this paper, we propose a robust, lightweight machine learning model featuring LightGBM classifier with SMOTE oversampling and SOM-US undersampling techniques for data balancing, as well as well-engineered feature selection through Genetic Algorithm. The model performed better than the current state-of-the-art models developed on the same dataset in both malware family classification (4 classes) and individual malware type classification (16 classes) with accuracy of 89.1% and 76% respectively. Thus, maintaining a balance between classification accuracy and computational efficiency in resource-constrained environments. Furthermore, we propose another model using Random Forest classifier with an accuracy of 91.2% in malware family classification and 78.7% in individual malware classification. Demonstrating a significant enhancement in terms of accuracy from the current state-of-the-art models.
• Abstract（参考訳）: ランサムウェア、スパイウェア、トロイの木馬などのマルチクラスのマルウェア攻撃の出現は、特にIoTデバイスのようなリソース制約のある環境において、サイバーセキュリティに対する脅威が増加し、深刻なものとなっている。 既存の機械学習モデルはバイナリマルウェア分類においてほぼ完璧な精度を達成しているが、マルウェアファミリーと個々のマルウェアの分類では不足している。 さらに、これらのマルチクラスマルウェア攻撃の複雑さは、リソース制約のある環境では、高い計算能力を必要とするため、重大な問題となる。 本研究は,マルチクラスのマルウェア分類の検出精度を高め,資源制約のあるデバイス上で効率的に動作可能な軽量モデルを開発することにより,ギャップを埋めるものである。 本稿では,SMOTEオーバサンプリングとSOM-USアンダーサンプリングを併用したLightGBM分類器と遺伝的アルゴリズムによる特徴選択を併用した,堅牢で軽量な機械学習モデルを提案する。 このモデルは、マルウェアファミリー分類(4クラス)と個々のマルウェアタイプ分類(16クラス)において、それぞれ89.1%と76%の精度で同じデータセット上で開発された現在の最先端モデルよりも優れた性能を示した。 したがって、資源制約環境における分類精度と計算効率のバランスを維持する。 さらに,マルウェア分類の精度が91.2%,個々のマルウェア分類の78.7%のランダムフォレスト分類器を用いた別のモデルを提案する。 現在の最先端モデルからの精度の大幅な向上を実証する。

関連論文リスト

• MAD-OOD: A Deep Learning Cluster-Driven Framework for an Out-of-Distribution Malware Detection and Classification [0.43071347808687493]
  本稿では,2段階のクラスタ駆動型ディープラーニングフレームワークであるMADOODを,ロバストなOODマルウェア検出と分類のために提案する。 最初の段階では、マルウェアファミリーの埋め込みは、クラス条件球面決定境界を用いてモデル化される。 第2段階では、ディープニューラルネットワークがクラスタベースの予測、洗練された埋め込み、教師付き出力を統合して、最終的な分類精度を高める。
  論文  参考訳（メタデータ） (2025-12-19T14:02:37Z)
• Imbalanced malware classification: an approach based on dynamic classifier selection [0.0]
  マルウェア検出における重要な課題は、ほとんどのアプリケーションが良心的であり、脅威を呈するわずかな部分しか存在しないデータセットの不均衡である。 本研究は,Androidアプリケーションにおけるマルウェア検出のための各種機械学習戦略を評価することにより,マルウェア検出におけるクラス不均衡の問題に対処する。
  論文  参考訳（メタデータ） (2025-03-30T19:12:16Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• 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)
• Semi-supervised Classification of Malware Families Under Extreme Class Imbalance via Hierarchical Non-Negative Matrix Factorization with Automatic Model Selection [34.7994627734601]
  マルウェアファミリーラベリングプロセスの初期段階で使用できる新しい階層型半教師付きアルゴリズムを提案する。 HNMFkでは、マルウェアデータの階層構造と半教師付き設定を併用し、極度のクラス不均衡の条件下でマルウェアファミリーを分類することができる。 我々のソリューションは、新しいマルウェアファミリーの同定において有望な結果をもたらす、断固とした予測または拒絶オプションを実行することができる。
  論文  参考訳（メタデータ） (2023-09-12T23:45:59Z)
• Benign Overfitting in Multiclass Classification: All Roads Lead to Interpolation [39.02017410837255]
  多クラス線形分類における良性オーバーフィッティングについて検討する。 分離可能なデータに対する以下のトレーニングアルゴリズムを検討する。 MNI分類器の精度に基づいた新しい境界を導出する。
  論文  参考訳（メタデータ） (2021-06-21T05:34:36Z)
• Exploring Optimal Deep Learning Models for Image-based Malware Variant Classification [3.8073142980733]
  本研究では,深層学習モデルの違いがマルウェアの分類精度に与える影響について検討した。 その結果,最新のディープラーニングモデルの1つを比較的低い転送度で微調整することで,最も高い分類精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-04-10T23:45:54Z)

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。