文献

J-GLOBAL ID：202002274483869449   整理番号：20A0501413

AWSCTDにおける悪意のある良性システム呼分類のための深層学習法効率の評価【JST・京大機械翻訳】

Evaluation of Deep Learning Methods Efficiency for Malicious and Benign System Calls Classification on the AWSCTD

著者 (2件)： Ceponis Dainius ( Department of Information Systems, Vilnius Gediminas Technical University, Sauletekio al. 11, LT-10223, Vilnius, Lithuania) ,  Goranin Nikolaj ( Department of Information Systems, Vilnius Gediminas Technical University, Sauletekio al. 11, LT-10223, Vilnius, Lithuania)
資料名： Security and Communication Networks  (Security and Communication Networks)
巻： 2019  ページ： Null  発行年： 2019年 
JST資料番号： W2740A  ISSN： 1939-0114  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ホストレベルにおけるマルウェアとサイバー攻撃の増加量は,ゼロ日攻撃を扱うことができる信頼性のあるアナログベースのホストIDS(HIDS)の必要性を増加させ,そのような活動の検出に重要な低い誤警報率(FAR)を保証する。畳込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNNs)のような深い学習法は,データ駆動セキュリティ解を解くのに非常に適していると考えられている。したがって,攻撃分類におけるそれらの効率を評価するために,そして,悪性および良性の活動を区別するそれらの能力を評価するために,そのような方法の比較分析を実行することが必要である。本論文では,AWSCTD(攻撃に起因するWindowsOSシステムコールトレースデータセット)により達成された結果を示した。これは,12110の実行可能なマルウェアサンプルから112.5百万のシステムコールを含む,そして,16.3のシステムコールを持つ3145の良性ソフトウェアサンプルを含む,モーメントにおけるホストレベル異常の最も徹底的なセットと考えられる。最良の結果はCNNsにより得られ,家族分類に対して最大90.0%の精度を有し,悪性/良性決定に対して95.0%の精度であった。RNNsはわずかに劣った結果を示した。さらに,層数の増加によるCNN同調は,それらをホストレベル異常検出に実際に適用できるようにした。Copyright 2019 Dainius Ceponis and Nikolaj Goranin. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モーメント ,  信頼性 ,  アナログ系 ,  マルウェア ,  同調 ,  *学習 ,  セキュリティ
準シソーラス用語： 異常検出 ,  システムコール ,  データ駆動 ,  リカレントニューラルネットワーク ,  畳込みニューラルネットワーク ,  誤警報率 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： データ保護  (JD01020V) ,  人工知能  (JE08000Z)

引用文献 (37件)：

• M. H. Bhuyan, D. K. Bhattacharyya, J. K. Kalita, "Network anomaly detection: methods, systems and tools," IEEE Communications Surveys & Tutorials, vol. 16, no. 1, pp. 303-336, 2014.
• P. García-Teodoro, J. Díaz-Verdejo, G. Maciá-Fernández, E. Vázquez, "Anomaly-based network intrusion detection: techniques, systems and challenges," Computers & Security, vol. 28, no. 1-2, pp. 18-28, 2009.
• J. Hu, "Host-based anomaly intrusion detection," Handbook of Information and Communication Security, pp. 235-255, Springer, Berlin, Germany, 2010.
• R. Bace, P. Mell, NIST Special Publication on Intrusion Detection Systems, NIST, Gaithersburg, MD, USA, 2001.
• A. Hay, D. Cid, R. Bary, S. Northcutt, OSSEC Host-Based Intrusion Detection Guide, Syngress, Burlington MA, USA, 2008.

タイトルに関連する用語 (3件)： 分類 ,  深層学習 ,  評価