論文の概要: Malware Clustering in the Wild: Taxonomy, Challenges, and Evaluation Metrics
- arxiv url: http://arxiv.org/abs/2611.02380v1
- Date: Mon, 02 Nov 2026 01:47:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:47:09.685904
- Title: Malware Clustering in the Wild: Taxonomy, Challenges, and Evaluation Metrics
- Title(参考訳): 野生におけるマルウェアクラスタリング - 分類, 課題, 評価基準
- Abstract要約: クラスタリングは未知のサンプルをグループ化し、マルウェアの家族境界を推測し、新しい変種を特定するために使用される。
これまでのマルウェアクラスタリングの研究は断片化され、幅広いクラスタリング技術が使用されている。
この調査では、Centroidベース、階層ベース、密度ベース、分散ベース、混合型、ファジィ、AI駆動の7つのカテゴリに、以前のマルウェアクラスタリング研究をまとめている。
- 参考スコア(独自算出の注目度): 1.6583003147024213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As malware continues to grow in volume, diversity, and sophistication, clustering has emerged as a critical technique for analyzing large malware corpora. Clustering enables the discovery of structural relationships, behavioral patterns, and evolutionary trends, and is widely used to group unknown samples, infer malware family boundaries, and identify novel variants. However, existing research remains fragmented, employing a wide range of clustering techniques with no unified perspective that systematically organizes prior work or clearly identifies gaps in the literature. This survey addresses this gap by organizing previous malware clustering research into seven categories: centroid-based, hierarchical-based, density-based, distribution-based, mixed- type, fuzzy, and AI-driven approaches. In addition, this survey summarizes publicly available malware datasets commonly used in clustering research and examines the feature representations derived from these datasets. Our goal is to clarify the current landscape and outline promising avenues for future research on malware clustering, including how AI-driven methods may shape large-scale and reproducible analysis.
- Abstract(参考訳): マルウェアの容積、多様性、高度化が進むにつれ、クラスタリングは大規模なマルウェアコーパスを解析するための重要な技術として現れてきた。
クラスタリングは構造的関係、行動パターン、進化的傾向の発見を可能にし、未知のサンプルをグループ化し、マルウェアの家族境界を推測し、新しい変種を特定するために広く利用されている。
しかし、既存の研究は断片化され続けており、先行研究を体系的に整理したり、文献のギャップを明確に識別する統一的な視点を持たない、広範囲のクラスタリング技術が採用されている。
この調査は、これまでのマルウェアクラスタリング研究を、セントロイドベース、階層ベース、密度ベース、分布ベース、混合型、ファジィ、AI駆動の7つのカテゴリにまとめることで、このギャップに対処する。
さらに、クラスタリング研究で一般的に使用される公開可能なマルウェアデータセットを要約し、これらのデータセットから派生した特徴表現について検討する。
我々のゴールは、AI駆動の手法が大規模かつ再現可能な分析をいかに形成するかを含む、マルウェアクラスタリングの今後の研究に向けた、現在の状況を明確にし、将来有望な道筋を概説することである。
関連論文リスト
- Intra-view and Inter-view Correlation Guided Multi-view Novel Class Discovery [52.616615506638205]
新たなクラス発見 (NCD) は、解離した既知のクラスからの知識を活用することで、新しいクラスをクラスタリングすることを目的としている。
Intra-view and Inter-view correlation Guided Multi-view Novel Class Discovery (IICMVNCD) という新しいフレームワークを提案する。
IICMVNCDはマルチビュー環境でNCDを探索する最初の試みである。
論文 参考訳(メタデータ) (2025-07-16T08:42:52Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳(メタデータ) (2025-06-11T03:29:18Z) - Methods and Trends in Detecting AI-Generated Images: A Comprehensive Review [0.17188280334580194]
GAN(Generative Adversarial Networks)、拡散モデル(Diffusion Models)、変分オートエンコーダ(VAEs)は、高品質なマルチメディアデータの合成を可能にしている。
これらの進歩は、敵の攻撃、非倫理的使用、社会的な危害に関する重大な懸念を引き起こした。
このサーベイは、先進的な生成AIモデルによって生成された合成画像の検出と分類のための最先端技術に関する包括的なレビューを提供する。
論文 参考訳(メタデータ) (2025-02-21T03:16:18Z) - A Survey on Deep Clustering: From the Prior Perspective [9.628838389364864]
この調査は、6種類の事前知識に分類することで、ディープクラスタリング手法の包括的なレビューを提供する。
広範に使われている5つのデータセットのベンチマークを提供し、様々な先行する手法のパフォーマンスを分析する。
論文 参考訳(メタデータ) (2024-06-28T02:18:16Z) - CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳(メタデータ) (2024-03-28T15:45:03Z) - Semi-Supervised Constrained Clustering: An In-Depth Overview, Ranked
Taxonomy and Future Research Directions [2.5957372084704238]
制約クラスタリングの研究領域は、長年にわたって大きく成長してきた。
利用可能なさまざまなメソッド、制約、ベンチマークを簡単に理解するために、統一された概要は提供されていない。
本研究では,制約クラスタリングの背景を詳細に分析し,制約クラスタリングに使用できる制約の種類を分類する。
論文 参考訳(メタデータ) (2023-02-28T17:46:31Z) - Deep Clustering: A Comprehensive Survey [53.387957674512585]
クラスタリング分析は、機械学習とデータマイニングにおいて必須の役割を果たす。
ディープ・クラスタリングは、ディープ・ニューラルネットワークを使ってクラスタリングフレンドリーな表現を学習することができるが、幅広いクラスタリングタスクに広く適用されている。
ディープクラスタリングに関する既存の調査は、主にシングルビューフィールドとネットワークアーキテクチャに焦点を当てており、クラスタリングの複雑なアプリケーションシナリオを無視している。
論文 参考訳(メタデータ) (2022-10-09T02:31:32Z) - A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and
Future Directions [48.97008907275482]
クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。
ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。
深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
論文 参考訳(メタデータ) (2022-06-15T15:05:13Z) - KnAC: an approach for enhancing cluster analysis with background
knowledge and explanations [0.20999222360659603]
我々はKnAC(Knowledge Augmented Clustering)を紹介します。
KnACは任意のクラスタリングアルゴリズムの拡張として機能し、アプローチを堅牢でモデルに依存しないものにすることができる。
論文 参考訳(メタデータ) (2021-12-16T10:13:47Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳(メタデータ) (2021-05-26T14:37:07Z)
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。