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。
機械学習(ML)ベースのマルウェア分類のための訓練パイプラインは,自然攻撃注入ポイントを曝露するクラウドソース脅威供給にしばしば依存している。本論文では,攻撃者がサンプルラベリングプロセスを制御しないという挑戦的な「クリーンラベル」攻撃に特に注目して,バックドア中毒攻撃に対する特徴ベースMLマルウェア分類器の感受性を研究した。著者らは,モデル診断方式で有効なバックドアトリガを作成するための関連特徴と値の選択を導くために,説明可能な機械学習からの技術の使用を提案した。Windows PEファイル,PDFsおよびAndroidアプリケーションを含むマルウェア分類のための多重参照データセットを用いて,多様な機械学習モデルに対する効果的な攻撃を示し,攻撃者に課された様々な制約の影響を評価した。実践における著者らのバックドア攻撃の実現可能性を実証するために,著者らはバイナリの機能性を保存するWindows PEファイルのための電子透かしユーティリティを作成して,著者らはAndroidとPDFファイルのために類似した挙動保存変化方法論を活用した。最後に,潜在的防御戦略を用いて実験を行い,これらの攻撃に対して,特に,攻撃ブレンドがレジイマートサンプル分布で,完全に防御する困難さを示した。【JST・京大機械翻訳】