دانلود رایگان مقالات IEEEدانلود رایگان مقالات سال 2018دانلود رایگان مقالات کنفرانسی کامپیوتردانلود رایگان مقالات کنفرانسی مهندسی فناوری اطلاعات ITدانلود رایگان مقاله ISI الگوریتم و محاسبات به زبان انگلیسیدانلود رایگان مقاله ISI بدافزار به زبان انگلیسیدانلود رایگان مقاله ISI شبکه عصبی پیچشی CNN به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیدانلود رایگان مقاله ISI یادگیری عمیق به زبان انگلیسیسال انتشار

مقاله انگلیسی رایگان در مورد طبقه بندی بدافزار با شبکه های عصبی پیچشی عمیق – IEEE 2018

 

مشخصات مقاله
ترجمه عنوان مقاله طبقه بندی بدافزار با شبکه های عصبی پیچشی عمیق
عنوان انگلیسی مقاله Malware Classification with Deep Convolutional Neural Networks
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۵ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
مقاله بیس این مقاله بیس نمیباشد
فرمت مقاله انگلیسی  PDF
رشته های مرتبط مهندسی کامپیوتر، فناوری اطلاعات
گرایش های مرتبط الگوریتم ها و محاسبات، هوش مصنوعی، شبکه های کامپیوتری
نوع ارائه مقاله
کنفرانس
مجله / کنفرانس کنفرانس بین المللی فن آوری های جدید، تحرک و امنیت – IFIP International Conference on New Technologies
دانشگاه Department of Computer Science – University of Manitoba – Canada
کلمات کلیدی طبقه بندی بدافزار، شبکه های عصبی کانولوشن، یادگیری عمیق
کلمات کلیدی انگلیسی Malware classification, convolutional neural networks, deep learning
شناسه دیجیتال – doi
https://doi.org/10.1109/NTMS.2018.8328749
کد محصول E10382
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I INTRODUCTION
II RELATED WORK
III BACKGROUND
IV OUR APPROACH
V EXPERIMENTS
VI CONCLUSION AND FUTURE WORK
VII ACKNOWLEDGEMENTS
REFERENCES

 

بخشی از متن مقاله:
Abstract

In this paper, we propose a deep learning framework for malware classification. There has been a huge increase in the volume of malware in recent years which poses a serious security threat to financial institutions, businesses and individuals. In order to combat the proliferation of malware, new strategies are essential to quickly identify and classify malware samples so that their behavior can be analyzed. Machine learning approaches are becoming popular for classifying malware, however, most of the existing machine learning methods for malware classification use shallow learning algorithms (e.g. SVM). Recently, Convolutional Neural Networks (CNN), a deep learning approach, have shown superior performance compared to traditional learning algorithms, especially in tasks such as image classification. Motivated by this success, we propose a CNN-based architecture to classify malware samples. We convert malware binaries to grayscale images and subsequently train a CNN for classification. Experiments on two challenging malware classification datasets, Malimg and Microsoft malware, demonstrate that our method achieves better than the state-of-the-art performance. The proposed method achieves 98.52% and 99.97% accuracy on the Malimg and Microsoft datasets respectively.

INTRODUCTION

Malware is malicious software (e.g. viruses, worms, trojan horses, and spyware) that damages or performs harmful actions on computer systems [1]. In this Internet-age, many malware attacks happen that pose serious security threats to financial institutions and everyday users. Fig. 1 presents statistics of malware over the last 10 years. It is clear that the total number of instances of malware has drastically increased over the years. For example, Symantec reported that more than 357 million new variants of malware were observed in 2016 [2]. One of the main reasons for this high volume of malware samples is the extensive use of obfuscation techniques by malware developers, which means that malicious files from the same malware family (i.e. similar code and common origin) are constantly modified and/or obfuscated. In order to cope with the rapid evolution of malware, it is essential to develop robust malware classification techniques that are tolerant of variants of malware files that belong to same family. Towards this endeavor, we propose a deep learning architecture for malware classification. Previous research on malware classification suggests that malware samples typically fall into a family that shares common behaviors, i.e. most new malware are variants of existing ones [3]. Hence, the prospect of building a method that can efficiently classify malware based on its family irrespective of being a variant, seems especially fruitful and a means of dealing with the rapid growth of malware. In this paper, we take a completely different approach to analyze and classify malware compared with traditional methods. We use a Convolutional Neural Network (CNN), a deep learning architecture, to tackle this problem. Recently, deep learning has produced state-of-the-art performance for various tasks in many fields such as natural language processing, computer vision, speech recognition, and bioinformatics. However, the capabilities for applying CNNs has not been well explored in many other fields. One field that may benefit significantly by advances in deep learning is cyber security.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا