文献

J-GLOBAL ID：201702232426070754   整理番号：17A1257538

マルウェア分類と解析のための畳込みネットワークを強化【Powered by NICT】

Empowering convolutional networks for malware classification and analysis

著者 (5件)： Kolosnjaji Bojan (Technical University of Munich) ,  Eraisha Ghadir (Technical University of Munich) ,  Webster George (Technical University of Munich) ,  Zarras Apostolis (Technical University of Munich) ,  Eckert Claudia (Technical University of Munich)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 3838-3845  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 不正ソフトウェアサンプルの数と種類が急速に成長するにつれて,を実行する大規模マルウェア分類はますますマルウェア分析における重要なステップとなっている。大規模データセットの情報を抽出し,解釈可能なモデルを生成するために数学的ツールを使用することができるとしての統計的機械学習はこの増加に対処する魅力的な方法である。これは悪意のある実行ファイルの検出と分類のための機械学習法の開発における科学的研究のサージを動機づけた。しかし,マルウェア分類の最終目標として,異なるマルウェア族のための最も有益な特徴を抽出するための最適な方法はまだ見られる。幸いなことに,ニューラルネットワークは階層的特徴抽出の観点から他の方法の限界を凌駕できる状態に進化させてきた。,ニューラルネットワークは,コンピュータビジョンと自然言語処理のような多数の領域で優れた分類精度を提供することができる。本論文では,解体悪意のある連星の実行系列をモデル化するためのニューラルネットワークの分野で達成された性能改善を移動させる。畳込みとフィードフォワード神経回路構築物からなるニューラルネットワークを実装した。このアーキテクチャは,携帯型実行可能な(PE)ファイルのヘッダから導出した特徴のベクトルとの命令n-gramの畳込みを組み合わせた階層的特徴抽出手法を具体化した。著者らの評価結果は筆者らのアプローチがベースライン手法,簡単なフィードフォワードニューラルネットワークとサポートベクトルマシンのような性能的に優れており,著者らは適合率と再現率93%を達成し,データにおける暗黒化の場合でもとしてことを実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： モデリング ,  機械学習 ,  ベクトル ,  自然言語処理 ,  サポートベクトルマシン ,  フィードフォワード ,  ニューラルネットワーク ,  *マルウェア ,  計算機アーキテクチャ ,  特徴抽出 ,  *畳込み ,  携帯型 ,  コンピュータビジョン ,  *ネットワーク
準シソーラス用語： フィードフォワードニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： マルウェア ,  分類 ,  解析 ,  畳込み ,  強化