Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid

要約

サイバー脅威やマルウェア攻撃への警戒が個人と企業の双方で強まる中、マルウェアへの事前対策が急務となっています。そのため、自動化された機械学習ソリューションへの関心が高まっています。注目ベースのディープラーニング手法の最先端カテゴリーであるトランスフォーマーは、目覚ましい成功を収めています。本稿では、BERTアーキテクチャ上に構築された革新的なマルウェア検出モデルであるBERTroidを紹介する。全体として、BERTroidはAndroidマルウェアに対抗するための有望なソリューションとして浮上しました。最先端のソリューションを凌駕するその能力は、悪意のあるソフトウェア攻撃に対するプロアクティブな防御メカニズムとしての可能性を示しています。さらに、BERTroid を複数のデータセットで評価し、多様なシナリオにおけるパフォーマンスを評価しました。サイバーセキュリティのダイナミックな状況において、我々のアプローチは、Androidシステム上のマルウェアの急速な進化に対する有望な回復力を実証しました。機械学習モデルが大まかなパターンを捉える一方で、これらの挙動をより深く理解し洞察するためには、手動による検証の役割が重要であることを強調しています。この人手による介入は、複雑で文脈に特化した挙動を識別するために非常に重要であり、それによってモデルの発見を検証し補強することができる。

要約(オリジナル)

As cyber threats and malware attacks increasingly alarm both individuals and businesses, the urgency for proactive malware countermeasures intensifies. This has driven a rising interest in automated machine learning solutions. Transformers, a cutting-edge category of attention-based deep learning methods, have demonstrated remarkable success. In this paper, we present BERTroid, an innovative malware detection model built on the BERT architecture. Overall, BERTroid emerged as a promising solution for combating Android malware. Its ability to outperform state-of-the-art solutions demonstrates its potential as a proactive defense mechanism against malicious software attacks. Additionally, we evaluate BERTroid on multiple datasets to assess its performance across diverse scenarios. In the dynamic landscape of cybersecurity, our approach has demonstrated promising resilience against the rapid evolution of malware on Android systems. While the machine learning model captures broad patterns, we emphasize the role of manual validation for deeper comprehension and insight into these behaviors. This human intervention is critical for discerning intricate and context-specific behaviors, thereby validating and reinforcing the model’s findings.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL