...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Future generation computer systems >A deep Recurrent Neural Network based approach for Internet of Things malware threat hunting
【24h】

A deep Recurrent Neural Network based approach for Internet of Things malware threat hunting

机译：基于深度递归神经网络的物联网恶意软件威胁搜索方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Internet of Things (IoT) devices are increasingly deployed in different industries and for different purposes (e.g. sensing/collecting of environmental data in both civilian and military settings). The increasing presence in a broad range of applications, and their increasing computing and processing capabilities make them a valuable attack target, such as malware designed to compromise specific IoT devices. In this paper, we explore the potential of using Recurrent Neural Network (RNN) deep learning in detecting IoT malware. Specifically, our approach uses RNN to analyze ARM-based IoT applications’ execution operation codes (OpCodes). To train our models, we use an IoT application dataset comprising 281 malware and 270 benign ware. Then, we evaluate the trained model using 100 new IoT malware samples (i.e. not previously exposed to the model) with three different Long Short Term Memory (LSTM) configurations. Findings of the 10-fold cross validation analysis show that the second configuration with 2-layer neurons has the highest accuracy (98.18%) in the detection of new malware samples. A comparative summary with other machine learning classifiers also demonstrate that the LSTM approach delivers the best possible outcome.
机译：物联网（IoT）设备越来越多地部署在不同的行业中，并用于不同的目的（例如，在民用和军事环境中感测/收集环境数据）。广泛的应用程序中越来越多的存在，以及它们不断增强的计算和处理能力使它们成为重要的攻击目标，例如旨在破坏特定物联网设备的恶意软件。在本文中，我们探索了使用递归神经网络（RNN）深度学习检测IoT恶意软件的潜力。具体来说，我们的方法使用RNN分析基于ARM的IoT应用程序的执行操作代码（OpCodes）。为了训练我们的模型，我们使用了IoT应用程序数据集，其中包括281个恶意软件和270个良性软件。然后，我们使用100种新的IoT恶意软件样本（即以前未暴露于该模型）和三种不同的长期短期记忆（LSTM）配置来评估训练后的模型。 10倍交叉验证分析的结果表明，具有2层神经元的第二种配置在检测新的恶意软件样本中具有最高的准确性（98.18％）。与其他机器学习分类器的比较总结也表明，LSTM方法可提供最佳结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号