論文の概要: A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
- arxiv url: http://arxiv.org/abs/2610.01949v1
- Date: Thu, 01 Oct 2026 16:11:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.26226
- Title: A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
- Title（参考訳）: マルウェア検出へのハイブリッドアプローチ:オートエンコーダによるFew-Shot Model-Agnostic Meta-Learningの統合
- Abstract要約: 本稿では,Autoencoder Feature Extractor (AFE) とModel Agnostic Meta Learning (MAML) の分類器を組み合わせたハイブリッドディープラーニングフレームワークを提案する。
提案するフレームワークは高い精度,F1スコア,マシューズ相関係数を常に達成し,極度の不足下でも信頼性の高い分類を維持している。
- 参考スコア（独自算出の注目度）: 0.3425341633647625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ransomware has emerged as a major cybersecurity threat, with incidents increasing in frequency and impact across critical sectors. These attacks are typically launched through phishing emails, malicious downloads, or exploitation of software vulnerabilities to gain system access. Once inside, the malware encrypts files and demands a ransom, often in cryptocurrency, for the decryption key. Conventional detection methods often struggle with novel or scarce samples, leaving systems vulnerable. To address these challenges, this paper proposes a hybrid deep learning framework that combines an Autoencoder Feature Extractor (AFE) with a Model Agnostic Meta Learning (MAML) classifier for few shot malware detection. The AFE generates compact latent features that reduce noise and dimensionality, while the MAML classifier rapidly adapts to new threats using limited labeled data. Experiments conducted on the Ransomware Dataset 2024 demonstrate the effectiveness of the framework in binary classification tasks. Across one to fifty shot settings, the proposed model consistently achieves high accuracy, F1 score, and Matthews Correlation Coefficient values, maintaining reliable classification even under extreme scarcity. These results highlight the model's robustness and effectiveness in adapting to limited data scenarios, demonstrating the potential of combining feature extraction with meta learning to enhance resilience against malware, particularly in sectors such as healthcare, manufacturing, and public infrastructure, where cyberattacks can cause significant operational and financial disruption.
- Abstract（参考訳）: ランサムウェアは主要なサイバーセキュリティの脅威として現れており、事故の頻度が増加し、重要なセクターに影響を及ぼしている。
これらの攻撃は通常、フィッシングメール、悪意のあるダウンロード、システムアクセスを得るためにソフトウェア脆弱性のエクスプロイトを通じて起動される。
マルウェアは内部でファイルを暗号化し、復号鍵のためにしばしば暗号通貨で身代金を要求する。
従来の検出方法は、新しいサンプルや希少なサンプルに苦しむことが多く、システムは脆弱である。
これらの課題に対処するため,本研究では,Autoencoder Feature Extractor (AFE) とModel Agnostic Meta Learning (MAML) の分類器を併用したハイブリッドディープラーニングフレームワークを提案する。
AFEは、ノイズと寸法を減少させる小型の潜伏特性を生成し、MAML分類器は、限られたラベル付きデータを使用して、新しい脅威に迅速に適応する。
Ransomware Dataset 2024で実施された実験は、バイナリ分類タスクにおけるフレームワークの有効性を示した。
1ショットから50ショットのセッティングにおいて、提案したモデルは高い精度、F1スコア、マシューズ相関係数の値を一貫して達成し、極端に希少であっても信頼性の高い分類を維持している。
これらの結果は、限られたデータシナリオに適応するモデルの堅牢性と有効性を強調し、特にサイバー攻撃が重大な運用および財政的破壊を引き起こす可能性のある、医療、製造、公共インフラといった分野において、マルウェアに対するレジリエンスを高めるために、機能抽出とメタラーニングを組み合わせる可能性を実証している。
関連論文リスト
- MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。
Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。
これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
論文 参考訳（メタデータ） (2026-02-27T09:37:05Z) - CIC-Trap4Phish: A Unified Multi-Format Dataset for Phishing and Quishing Attachment Detection [35.21543593148398]
フィッシング攻撃は、サイバー攻撃者が使用する主要な攻撃方法の1つである。
CIC-Trap4Phishデータセットには、フィッシングキャンペーンで一般的に使用される5つのカテゴリにわたる悪意のあるサンプルと良性のあるサンプルの両方が含まれている。
論文 参考訳（メタデータ） (2026-02-09T18:57:00Z) - From Model to Breach: Towards Actionable LLM-Generated Vulnerabilities Reporting [43.57360781012506]
最新のオープンウェイトモデルでさえ、最も早く報告された脆弱性シナリオに脆弱性があることが示されています。
LLMが生成する脆弱性によって引き起こされるリスクを反映した、新たな重大度指標を導入する。
最も深刻で普及している脆弱性の緩和を促進するために、PEを使用して、モデル露出(ME)スコアを定義します。
論文 参考訳（メタデータ） (2025-11-06T16:52:27Z) - DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。
デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
論文 参考訳（メタデータ） (2025-09-29T05:17:10Z) - A Selective Homomorphic Encryption Approach for Faster Privacy-Preserving Federated Learning [2.942616054218564]
フェデレーテッド・ラーニング(FL)は、医療におけるプライバシー保護機械学習にとって重要なアプローチである。
これらのシステムの現在のセキュリティ実装は、基本的なトレードオフに直面している。
我々は、選択的同型暗号化、差分プライバシー、ビットワイズスクランブルを戦略的に組み合わせて堅牢なセキュリティを実現する新しいアプローチであるFast and Secure Federated Learningを提示する。
論文 参考訳（メタデータ） (2025-01-22T14:37:44Z) - A Novel Approach to Malicious Code Detection Using CNN-BiLSTM and Feature Fusion [2.3039261241391586]
本研究では,マルウェアのバイナリファイルをグレースケールのイメージに変換するためにminhashアルゴリズムを用いる。
この研究は、IDA Proを用いてオペコードシーケンスをデコンパイルし、抽出し、特徴ベクトル化にN-gramとtf-idfアルゴリズムを適用した。
CNN-BiLSTM融合モデルは、画像の特徴とオプコードシーケンスを同時に処理し、分類性能を向上させるように設計されている。
論文 参考訳（メタデータ） (2024-10-12T07:10:44Z) - Transfer Learning in Pre-Trained Large Language Models for Malware Detection Based on System Calls [3.5698678013121334]
本研究は,システムコールデータに基づいてマルウェアを分類するために,大規模言語モデル(LLM)を利用した新しいフレームワークを提案する。
1TBを超えるシステムコールのデータセットによる実験では、BigBirdやLongformerのようなより大きなコンテキストサイズを持つモデルの方が精度が良く、F1スコアは約0.86である。
このアプローチは、ハイテイク環境におけるリアルタイム検出の大きな可能性を示し、サイバー脅威の進化に対する堅牢なソリューションを提供する。
論文 参考訳（メタデータ） (2024-05-15T13:19:43Z) - On the Effectiveness of Adversarial Samples against Ensemble
Learning-based Windows PE Malware Detectors [0.0]
本稿では,GANとRLモデルを組み合わせることで,アンサンブル学習に基づく検出器の動作に対処する突然変異システムを提案する。
FeaGANモデルでは、アンサンブル学習を用いて、生成された対向パターンを用いて、マルウェア検出器の回避能力を向上する。
論文 参考訳（メタデータ） (2023-09-25T02:57:27Z) - SecureFalcon: Are We There Yet in Automated Software Vulnerability Detection with LLMs? [3.566250952750758]
SecureFalconは、Falcon-40Bモデルから派生した1億1100万のパラメータしか持たない革新的なモデルアーキテクチャである。
SecureFalconはバイナリ分類で94%の精度、マルチクラス化で最大92%、即時CPU推論時間を実現している。
論文 参考訳（メタデータ） (2023-07-13T08:34:09Z) - 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)
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。