深層学習ベースのスタッキングを用いたAndroidマルウェア検出

• Item type: Symposium(1)
• 公開日: 2024-10-15
• タイトル / 言語: ja
• タイトル: 深層学習ベースのスタッキングを用いたAndroidマルウェア検出
• タイトル / 言語: en
• タイトル: Detecting Android Malware Using Deep Learning-Based Stacking Approaches
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: Android マルウェア, マルウェア検知, ディープラーニング, アンサンブル学習
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 兵庫県立大学大学院
• 著者所属: 国立研究開発法人情報通信研究機構
• 著者所属: 国立研究開発法人情報通信研究機構
• 著者所属: 国立台湾大学
• 著者所属: 兵庫県立大学大学院
• 著者所属(英): en
• 著者所属(英): University of Hyogo
• 著者所属(英): en
• 著者所属(英): National Institute of Information and Communications Technology
• 著者所属(英): en
• 著者所属(英): National Institute of Information and Communications Technology
• 著者所属(英): en
• 著者所属(英): National Taiwan University
• 著者所属(英): en
• 著者所属(英): University of Hyogo
• 著者名: 益留, 歩夢; 班, 涛; 高橋, 健志; 林, 宗男; 森川, 智博
• 著者名(英): Ayumu, Masudome; Tao, Ban; Takeshi, Takahashi; Tsung-Nan, Lin; Tomohiro, Morikawa
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 攻撃者は世界的に高い普及率を達成しているAndroidOSを標的とするマルウェアの開発をし続けており，重大な脅威をもたらしている．そのため，新たに出現したAndroidマルウェアに対しても効果的な識別手法が必要である．本研究は，進化したAndroidマルウェアに対するロバスト性を向上させるために，深層学習ベースのスタッキングを利用した検出方法を提案する．提案モデルの性能は，Kronodroidデータセットを使用して，非時系列データセットと時系列データセットのそれぞれでトレーニングおよび評価したモデルを比較することにより評価を行った．非時系列データセットを使用した場合は単独の深層学習モデルの精度が98.27%，提案モデルでは99.12%とわずか0.85%の増加となった．一方で，時系列データセットの場合は深層学習モデルが93.99%で提案モデルが99.28%と5.29%の大幅な精度の向上が見られ，提案モデルはロバスト性が大幅に向上していることが分かった．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Attackers continue to develop malware targeting Android OS, which has achieved widespread global adoption, posing a significant threat. Therefore, effective identification methods are necessary to detect newly emerging malware. In this study, we created a model using deep learning-based stacking to improve robustness against evolved Android malware. The model was evaluated by comparing its performance when trained and tested on both non-time-series and time-series datasets. When using the non-time-series dataset, the accuracy of the deep learning model was 98.27%, while the proposed model achieved 99.12%, showing an increase of 0.85%. In contrast, when using the time-series dataset, the accuracy increased significantly from 93.99% to 99.28%, indicating a 5.29% improvement and demonstrating that the proposed model significantly enhances robustness.
• 書誌情報: コンピュータセキュリティシンポジウム2024論文集; p. 1726-1733, 発行日 2024-10-15
• 出版者 / 言語: ja
• 出版者: 情報処理学会