文献

J-GLOBAL ID：201902269587164174   整理番号：19A0528309

悪意のあるアプリケーションを分類するための特徴集合と深層学習モデルの大規模探索【JST・京大機械翻訳】

Large-scale exploration of feature sets and deep learning models to classify malicious applications

著者 (2件)： Vanderbruggen Tristan (University of Delaware) ,  Cavazos John (University of Delaware)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： RWS  ページ： 37-43  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： 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】

シソーラス用語： *学習モデル ,  計算量 ,  Webサービス ,  マルウェア ,  キャラクタリゼーション ,  *学習 ,  機械学習 ,  信頼性 ,  誤り率 ,  *応用プログラム
準シソーラス用語： チェックポイント ,  アマゾン ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： アプリケーション ,  分類 ,  集合 ,  深層学習 ,  モデル ,  大規模 ,  探索