文献

J-GLOBAL ID：201902270664528622   整理番号：19A1665468

画像表現を用いたマルウェア分類【JST・京大機械翻訳】

Malware Classification Using Image Representation

著者 (4件)： Singh Ajay (C3I Center, Department of CSE, Indian Institute of Technology, Kanpur, India) ,  Handa Anand (C3I Center, Department of CSE, Indian Institute of Technology, Kanpur, India) ,  Kumar Nitesh (C3I Center, Department of CSE, Indian Institute of Technology, Kanpur, India) ,  Shukla Sandeep Kumar (C3I Center, Department of CSE, Indian Institute of Technology, Kanpur, India)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11527  ページ： 75-92  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 近年,分析のために抗ウイルス企業に提出されたファイル数の急速な増加があった。各ファイルの機能性を人手で分析することは非常に困難になっている。マルウェア開発者は,署名ベースの検出技術を回避するのに非常に成功している。一般的な静的解析技術の大部分は,実行可能なものを解析するツールを含み,特徴や特徴を抽出する。ほとんどの動的解析技術は,その挙動を調べるために,砂箱環境で実行する二値ファイルを含んでいる。これは,それが仮想環境の中で実行されているならば,ファイルの悪意のある活動を隠すことによって容易に警告することができる。したがって,時間強度,資源消費,スケーラビリティのような静的または動的解析の限界を克服するための新しいアプローチを探求する必要がある。本論文では,画像としてマルウェアを表現する新しい手法を検討した。著者らは,22の家族に属する37,374のサンプルを用いて,次に,画像を分類するために,高密度の畳込みニューラルネットワーク(CNN)を含む,ResNet-50アーキテクチャのような深いニューラルネットワークアーキテクチャを適用した。実行可能性を画像表現に変換することにより,標準静的および動的解析により直面する問題を解決しない解析プロセスを作成した。著者らのモデルによって,著者らは,著者らのデータセットに関して,個々に,深いCNNとResNet-50を使用することによって,マルウェア試料を分類することにおいて,98.98%と99.40%の正確さを得ることができた。本論文では,著者らの提案したモデルの結果を,25のファミリーに属する9339のサンプルを持つMalimgのような公的に利用可能なデータセットについて得られた結果と比較した。また,この方法の限界に関する著者らの知見を,マルウェアの充填および以前に見られていないクラスに関する実験を通して示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *マルウェア ,  *画像 ,  機械学習 ,  高速度 ,  計算機アーキテクチャ ,  動的解析 ,  画像処理 ,  検出法
準シソーラス用語： ニューラルネットワークアーキテクチャ ,  畳込みニューラルネットワーク ,  高密度 ,  仮想環境 ,  静的解析 ,  機能性 ,  *画像表現 , 【Automatic Indexing@JST】

著者キーワード (5件)： マルウェアの分類 ,  畳み込みニューラルネットワーク ,  機械学習 ,  ディープニューラルネットワーク ,  画像処理

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (3件)： 画像表現 ,  マルウェア ,  分類