Cryptography and Security,Machine Learning,Software Engineering,رمزنگاری و امنیت , یادگیری ماشین , مهندسی نرم افزار ,
توضیحات
Submitted 27 August, 2024; originally announced August 2024. , Comments: The paper is accepted at the ESORICS 2024 Workshop on Security and Artificial Intelligence (SECAI 2024)
توضیحات به فارسی
ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله در کارگاه ESORICS 2024 در زمینه امنیت و هوش مصنوعی پذیرفته شده است (Secai 2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Machine learning (ML) has demonstrated significant advancements in Android malware detection (AMD); however, the resilience of ML against realistic evasion attacks remains a major obstacle for AMD. One of the primary factors contributing to this challenge is the scarcity of reliable generalizations. Malware classifiers with limited generalizability tend to overfit spurious correlations derived from biased features. Consequently, adversarial examples (AEs), generated by evasion attacks, can modify these features to evade detection. In this study, we propose a domain adaptation technique to improve the generalizability of AMD by aligning the distribution of malware samples and AEs. Specifically, we utilize meaningful feature dependencies, reflecting domain constraints in the feature space, to establish a robust feature space. Training on the proposed robust feature space enables malware classifiers to learn from predefined patterns associated with app functionality rather than from individual features. This approach helps mitigate spurious correlations inherent in the initial feature space. Our experiments conducted on DREBIN, a renowned Android malware detector, demonstrate that our approach surpasses the state-of-the-art defense, Sec-SVM, when facing realistic evasion attacks. In particular, our defense can improve adversarial robustness by up to 55% against realistic evasion attacks compared to Sec-SVM.
چکیده به فارسی (ترجمه ماشینی)
یادگیری ماشین (ML) پیشرفتهای قابل توجهی در تشخیص بدافزار اندرویدی (AMD) نشان داده است.با این حال ، مقاومت ML در برابر حملات فرار واقع گرایانه یک مانع بزرگ برای AMD است.یکی از مهمترین عوامل مؤثر در این چالش ، کمبود تعمیم قابل اعتماد است.طبقه بندی کننده های بدافزار با تعمیم پذیری محدود تمایل دارند که همبستگی های فریبنده ناشی از ویژگی های مغرضانه را بیش از حد ایجاد کنند.در نتیجه ، نمونه های مخالف (AES) ، که توسط حملات فرار ایجاد می شود ، می توانند این ویژگی ها را برای فرار از تشخیص تغییر دهند.در این مطالعه ، ما یک تکنیک سازگاری دامنه برای بهبود تعمیم پذیری AMD با تراز توزیع نمونه های بدافزار و AES پیشنهاد می کنیم.به طور خاص ، ما از وابستگی های ویژگی معنی دار ، منعکس کننده محدودیت های دامنه در فضای ویژگی ، برای ایجاد یک فضای ویژگی قوی استفاده می کنیم.آموزش در فضای ویژگی قوی پیشنهادی ، طبقه بندی کننده های بدافزار را قادر می سازد از الگوهای از پیش تعریف شده مرتبط با عملکرد برنامه به جای ویژگی های فردی بیاموزند.این رویکرد به کاهش همبستگی های ذاتی ذاتی در فضای ویژگی اولیه کمک می کند.آزمایشات ما در Drebin ، یک ردیاب مشهور بدافزار Android ، نشان می دهد که رویکرد ما هنگام مواجهه با حملات فرار واقع گرایانه ، از دفاع پیشرفته ، SEC-SVM پیشی می گیرد.به طور خاص ، دفاع ما می تواند استحکام مخالف را تا 55 ٪ در برابر حملات فرار واقع گرایانه در مقایسه با SEC-SVM بهبود بخشد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
