• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Transactions on Sustainable Computing >Robust Malware Detection for Internet of (Battlefield) Things Devices Using Deep Eigenspace Learning
【24h】

Robust Malware Detection for Internet of (Battlefield) Things Devices Using Deep Eigenspace Learning

机译：使用深度特征空间学习对（战场）物联网进行强大的恶意软件检测

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) in military settings generally consists of a diverse range of Internet-connected devices and nodes (e.g., medical devices and wearable combat uniforms). These IoT devices and nodes are a valuable target for cyber criminals, particularly state-sponsored or nation state actors. A common attack vector is the use of malware. In this paper, we present a deep learning based method to detect Internet Of Battlefield Things (IoBT) malware via the device's Operational Code (OpCode) sequence. We transmute OpCodes into a vector space and apply a deep Eigenspace learning approach to classify malicious and benign applications. We also demonstrate the robustness of our proposed approach in malware detection and its sustainability against junk code insertion attacks. Lastly, we make available our malware sample on Github, which hopefully will benefit future research efforts (e.g., to facilitate evaluation of future malware detection approaches).
机译：军事环境中的物联网（IoT）通常包括各种与Internet连接的设备和节点（例如医疗设备和可穿戴作战服）。这些物联网设备和节点是网络罪犯的宝贵目标，特别是国家资助或国家行为者。常见的攻击媒介是恶意软件的使用。在本文中，我们提出了一种基于深度学习的方法，可以通过设备的操作码（OpCode）序列检测战地物联网（IoBT）恶意软件。我们将OpCodes转换为向量空间，并应用深层的特征空间学习方法对恶意和良性应用程序进行分类。我们还展示了我们提出的方法在恶意软件检测中的鲁棒性以及针对垃圾代码插入攻击的可持续性。最后，我们在Github上提供了我们的恶意软件样本，希望它将有益于未来的研究工作（例如，以促进对未来恶意软件检测方法的评估）。

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