抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,研究者は,深い学習(DL)が,多くの問題を解決するために非常に正確なモデルを構築するために使用できることを示した。しかしながら,訓練DLモデルは,大きなデータセットと膨大な計算量を必要とする。毎日作成された数百万のマルウェア変種を用いて,著者らは,多くのデータが,悪意のある応用を分類するために,深い学習モデルを構築するために存在することを主張した。しかしながら,このタスクに対する最良のDLモデルの発見は,不正なアプリケーションを分類するために使用できるマルウェアと種々の異なるDLモデルを特徴付けるための広範囲の方法を探索する必要がある。著者らの知る限りでは,この問題に耐えることができる様々なDLモデルの多様性と共に,大きなマルウェア特性化空間を探索する研究は提示されていない。本論文では,マルウェア族分類の問題に対する大きな特徴と異なるDLモデルの探索に関する研究を示した。これを可能にするために,アマゾンWebサービス(AWS)上でスケーラブルな機械学習プラットフォームを構築した。このプラットフォームは数千の機械上で多くのDLモデルを同時に訓練することを可能にしたが,信頼性のための定期的チェックポイントで正確なデータと性能情報を収集した。このプラットフォームを用いて,11の異なるマルウェア特性化に対する100DLモデルを評価した。これらの特性化には,実行可能なコードの構造の7つの新しいグラフベースの特性化が含まれる。最先端のマルウェア特性化は13.8%の誤り率をもたらすが,著者らの新しいグラフベースの特性化は6.3%未満の誤差をもたらす。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】