Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Learning Temporal Invariance in Android Malware Detectors

Created by
  • Haebom

저자

Xinran Zheng, Shuo Yang, Edith C. H. Ngai, Suman Jana, Lorenzo Cavallaro

개요

본 논문은 경험적 위험 최소화(ERM) 기반의 안드로이드 악성코드 탐지기가 시간 경과에 따라 악성코드 변종 및 새로운 계열로 인한 분포 이동으로 성능이 저하되는 문제를 다룹니다. 기존 탐지기의 단점을 안정적인 판별 특징을 학습하지 못하는 데서 기인한다고 분석하고, 이를 해결하기 위해 시간 불변 학습 이론을 적용한 새로운 프레임워크 TIF를 제안합니다. TIF는 애플리케이션 관측 날짜를 기반으로 환경을 구성하여 시간적 이동을 드러내고, 특수한 다중 프록시 대조 학습 및 불변 기울기 정렬을 통합하여 고품질의 안정적인 표현을 생성하고 정렬합니다. 실험 결과, TIF는 특히 초기 배포 단계에서 우수한 성능을 보이며 최첨단 방법들을 능가하는 것을 확인했습니다.

시사점, 한계점

•
시사점:
◦
시간에 따른 분포 이동 문제를 겪는 안드로이드 악성코드 탐지기의 성능 저하 문제에 대한 체계적인 분석 제공.
◦
시간 불변 학습 이론을 활용한 새로운 탐지 프레임워크 TIF 제안 및 그 효과 검증.
◦
TIF는 기존 학습 기반 탐지기에 손쉽게 통합 가능.
◦
실제 환경에서의 요구사항을 충족하고, 특히 초기 배포 단계에서 뛰어난 성능을 보임.
•
한계점:
◦
사전 환경 레이블 부족, 다양한 이동 요인, 다양한 악성코드 계열로 인한 저품질 표현 생성 문제 등의 어려움 존재.
◦
장기간 데이터셋에 대한 실험 결과만 제시되어 다른 데이터셋에 대한 일반화 가능성은 추가 연구 필요.
👍
Made with Slashpage