文献

J-GLOBAL ID：202202234517991629   整理番号：22A0781080

軽量畳込みニューラルネットワークに基づくIoTマルウェア分類【JST・京大機械翻訳】

IoT Malware Classification Based on Lightweight Convolutional Neural Networks

著者 (4件)： Yuan Baoguo (College of Computer Science, Sichuan University, Chengdu, China) ,  Wang Junfeng (College of Computer Science, Sichuan University, Chengdu, China) ,  Wu Peng (College of Computer Science, Sichuan University, Chengdu, China) ,  Qing Xianguo (Science and Technology on Reactor System Design Technology Laboratory, Nuclear Power Institute of China, Chengdu, China)
資料名： IEEE Internet of Things Journal  (IEEE Internet of Things Journal)
巻： 9  号： 5  ページ： 3770-3783  発行年： 2022年 
JST資料番号： W2432A  ISSN： 2327-4662  資料種別： 逐次刊行物 (A)
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： モノのインターネット(IoT)は,アーキテクチャの多様性と限られたコンピューティングと記憶能力のため,適切なセキュリティ防衛を展開するのが困難であり,マルウェアにより脆弱になる。IoTデバイスの大規模展開により,マルウェア変異体を正確に同定および分類する方法は,IoTセキュリティに重要である。しかしながら,IoTマルウェア分類の既存の方法は,一般的に特定のプラットフォームをサポートするか,より高い精度を達成するために複雑なモデルを必要とする。これらの問題を解決するために,本論文では軽量畳込みニューラルネットワーク(LCNN)に基づくIoTマルウェア分類法を提案した。最初に,マルウェアビナリーを多次元Markov画像に変換した。次に,LCNNを,マルウェア画像分類のために,2つの新しい操作,深さ方向畳込みとチャネルシャッフルで設計した。VGG16のような他の深層学習ベース法と比較して,設計したLCNNは,精度を維持しながら訓練可能パラメータを大幅に削減できる。LCNNの生成モデルは,約1MBであり,一方,VGG16のそれは552.57MBであった。提案方法の平均精度は,多重IoTマルウェアデータセット上の灰色画像のものより高く,その全ては95%以上であった。最先端の低レベル特徴ベースの方法と比較して,提案方法の平均精度は,モデルが小型であるとしても,Microsoftデータセットで99.356%である。結果は,提案方法がIoT環境に好適であるだけでなく,高精度も有することを示した。Copyright 2022 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： *畳込み ,  *ニューラルネットワーク ,  精度 ,  多重化 ,  高次元 ,  計算機アーキテクチャ ,  セキュリティ ,  機械学習 ,  *マルウェア
準シソーラス用語： 分類法 ,  画像分類 ,  脆弱性 ,  高精度 ,  生成モデル ,  *モノのインターネット ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 軽量 ,  畳込みニューラルネットワーク ,  IoT ,  マルウェア ,  分類