文献

J-GLOBAL ID：202102211553285421   整理番号：21A2571674

Androidマルウェア画像の深層特徴抽出と分類【JST・京大機械翻訳】

Deep Feature Extraction and Classification of Android Malware Images

著者 (5件)： Singh Jaiteg (Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab 140401, India) ,  Thakur Deepak (Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab 140401, India) ,  Ali Farman (Department of Software, Sejong University, Seoul 05006, Korea) ,  Gera Tanya (Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab 140401, India) ,  Kwak Kyung Sup (Department of Information and Communication Engineering, Inha University, Incheon 22212, Korea)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 24  ページ： 7013  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： Androidオペレーティングシステムは,過去10年間,人気があり,急速に進化した。静的および動的マルウェア同定技術のような伝統的手法は,マルウェア分類モデルを設計するために,多くの人間介入および資源を必要とする。実際の課題は,アプリケーション構造のすべてのファイルを検査することが,高い処理時間,より多くの記憶,および手動努力をもたらすという事実にある。これらの問題を解決するために,最適化アルゴリズムと深層学習を,マルウェア攻撃を緩和するために最近試験した。本稿では,Android Malware同定(SARVOTAM)のためのNeuroAl aRchitecture and VisualizatiOn TechnologyのSummingを提案する。このシステムは,品質情報を抽出するために,マルウェア非直感的特徴を指紋画像に変換する。微細調整畳込みニューラルネットワーク(CNN)を用いて,可視化マルウェアから豊富な特徴を自動的に抽出し,それにより,特徴工学およびドメインエキスパートコストを除去した。DREBINデータセットを用いて実験を行った。Androidマルウェア画像セクションの合計15の異なる組合せを用いて,Androidマルウェアを同定し,分類した。CNNのソフトマックス層を,グレースケールマルウェア画像を分析するために,K-最近傍(KNN),サポートベクトルマシン(SVM),およびランダムフォレスト(RF)のような機械学習アルゴリズムで置換した。CNN-SVMモデルはCNN-KNNおよびCNN-RFと同様に元のCNNより優れていることが観察された。分類結果は,著者らの方法がAndroid証明書を用いて92.59%の精度を達成して,マルウェア画像を明らかにすることができることを示した。本論文は,軽量解法とマルウェア同定のための非常に正確なオプションを明らかにした。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： オペレーティングシステム ,  加工時間 ,  最適化手法 ,  *特徴抽出 ,  可視化 ,  応用プログラム ,  学習アルゴリズム ,  サポートベクトルマシン ,  *マルウェア ,  サイバー攻撃
準シソーラス用語： ランダムフォレスト ,  *アンドロイド ,  分類モデル ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 畳込みニューラルネットワーク ,  マルウェア ,  分類 ,  アンドロイド ,  セキュリティ ,  可視化

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (78件)：

• Qamar, A.; Karim, A.; Chang, V. Mobile malware attacks: Review, taxonomy and future directions. Future Gener. Comput. Syst. 2019, 97, 887-909.
• Dong, S.; Li, M.; Diao, W.; Liu, X.; Liu, J.; Li, Z.; Xu, F.; Chen, K.; Wang, X.; Zhang, K. Understanding android obfuscation techniques: A large-scale investigation in the wild. In Proceedings of the International Conference on Security and Privacy in Communication Systems, Singapore, 8-10 August 2018; Springer: Cham, Switzerland, 2018; pp. 172-192.
• Maiorca, D.; Ariu, D.; Corona, I.; Aresu, M.; Giacinto, G. Stealth attacks: An extended insight into the obfuscation effects on Android malware. Comput. Secur. 2015, 51, 16-31.
• Suarez-Tangil, G. DroidSieve: Fast and Accurate Classification of Obfuscated Android Malware. In Proceedings of the Seventh ACM on Conference on Data and Application Security and Privacy, Scottsdale, AZ, USA, 22-24 March 2017; pp. 309-320.
• Bakour, K.; Ünver, H.M.; Ghanem, R. A Deep Camouflage: Evaluating Android’s Anti-malware Systems Robustness Against Hybridization of Obfuscation Techniques with Injection Attacks. Arab. J. Sci. Eng. 2019, 44, 9333-9347.

タイトルに関連する用語 (5件)： Android ,  マルウェア ,  深層 ,  特徴抽出 ,  分類