二重正則化損失を用いた階層型深層学習フレームワークによる堅牢なマルウェア検出とファミリー分類

科学分野:

• サイバーセキュリティ
• 人工知能
• 機械学習

背景:

• サイバー脅威の増加は、高度なマルウェア検出を必要とします。
• 従来の深層学習手法は、クラス不均衡と過学習に苦労しています。
• 数学的に根拠があり、解釈可能な検出フレームワークの必要性。

研究 の 目的:

• ポータブル実行可能（PE）マルウェアの検出とファミリー分類のための階層型深層学習フレームワークを提案します。
• 新しい二重正則化バイナリクロスエントロピー（DRBCE）損失関数を導入します。
• クラス不均衡、過学習、誤差伝播などの課題に対処します。

主な方法:

• 2段階の階層型深層学習フレームワークを開発しました。
• 加重クロスエントロピーとスペクトル正則化を統合した新しい二重正則化バイナリクロスエントロピー（DRBCE）損失関数を使用しました。
• 確率的フレームワークを用いて誤差伝播をモデル化し、制約付き最適化を通じてハイパーパラメータを最適化しました。
• 大規模データセット（BODMAS、SOMLAP、CLaMP）で実験を実施しました。

主要な成果:

• マルウェア検出とファミリー分類において最先端のパフォーマンスを達成しました。
• バイナリ検出で99.89％、ファミリー分類で96.62％の加重精度に達しました。
• DRBCE損失関数がトレーニングの安定化と不均衡の軽減に効果的であることを実証しました。

結論:

• 提案されたフレームワークは、堅牢で解釈可能なマルウェア検出を提供します。
• サイバーセキュリティにおける数学的モデリングと応用AIの橋渡しに成功しました。
• 洗練されたマルウェアと戦うための理論的洞察と実践的な進歩を提供します。