[論文レビュー] Advances In Malware Detection- An Overview

Heena Heena|ArXiv.org|Apr 5, 2021

Advanced Malware Detection Techniques参考文献 30被引用数 5

ひとこと要約

本論文は、高度なマルウェア検出技術に関する包括的な文献レビューを提供し、静的分析、動的分析、行動ベース、機械学習、ディープラーニング、クラウドベース、モデル検証手法を評価している。同論文では、変形マルウェアおよびゼロデイマルウェアに対して、行動ベースおよびモデル検証手法が最も効果的であると特定しており、主な貢献として、検出手法の比較分析、パフォーマンス指標、およびツール、データセット、今後の研究方向性のリストを整理している。

ABSTRACT

Malware has become a widely used means in cyber attacks in recent decades because of various new obfuscation techniques used by malwares. In order to protect the systems, data and information, detection of malware is needed as early as possible. There are various studies on malware detection techniques that have been done but there is no method which can detect the malware completely and make malware detection problematic. Static Malware analysis is very effective for known malwares but it does not work for zero day malware which leads to the need of dynamic malware detection and the behaviour based malware detection is comparatively good among all detection techniques like signature based, deep learning based, mobile/IOT and cloud based detection but still it is not able to detect all zero day malware which shows the malware detection is very challenging task and need more techniques for malware detection. This paper describes a literature review of various methods of malware detection. A short description of each method is provided and discusses various studies already done in the advanced malware detection field and their comparison based on the detection method used, accuracy and other parameters. Apart from this we will discuss various malware detection tools, dataset and their sources which can be used in further study. This paper gives you the detailed knowledge of advanced malwares, its detection methods, how you can protect your devices and data from malware attacks and it gives the comparison of different studies on malware detection.

研究の動機と目的

• 静的分析、動的分析、行動ベース、機械学習、ディープラーニング、クラウドベース、モデル検証手法を含む、既存のマルウェア検出技術を分析・比較すること。
• ゼロデイマルウェアおよび変形マルウェアの検出において、現在の手法の限界を特定すること。
• 正解率、適合率、再現率、F1スコア、AUCといった主要指標を用いて、さまざまな検出手法のパフォーマンスを評価すること。
• 研究者らが今後のマルウェア検出研究に役立てるために、ツール、データセット、実世界での導入事例を整理したリストを提供すること。
• 高い誤検出率、小規模なデータセット、過学習、現行の研究においてリアルタイム監視が不足しているといった、未解決の課題を浮き彫りにすること。

提案手法

• マルウェア検出に関する200件以上の研究を対象とした体系的文献レビューを実施し、検出手法、正解率、パフォーマンス指標に焦点を当てた。
• マルウェア検出手法を静的分析、動的分析、行動ベース検出、シグネチャベース手法、機械学習、ディープラーニング、クラウドベース、モデル検証手法に分類した。
• 真陽性（TP）、偽陽性（FP）、真陰性（TN）、偽陰性（FN）から導出される標準指標（正解率、適合率、再現率、F1スコア、AUC、対数損失）を用いてパフォーマンスを評価した。
• 12種類のマルウェア検出ツールと10種類の標準データセット（ComodoのValkyrieシステムやVirusShare、DREBINなどの公開リポジトリを含む）をレビュー・比較した。
• クラウドベースのマルウェア検出におけるディープラーニングモデル（例：LeNet-5）とCNNの性能を分析し、速度と正確性のトレードオフを評価した。
• 特に複数ユーザーの実行トレース分析における分散型検出フレームワークにおけるプライバシーおよびセキュリティリスクを議論した。

実験結果

リサーチクエスチョン

• RQ1 ゼロデイおよび変形マルウェアを特定するうえで、どのマルウェア検出手法が最も効果的か？
• RQ2 機械学習およびディープラーニングモデルは、マルウェア分類における正確性と効率性の観点でどのように比較されるか？
• RQ3 さまざまな検出手法における主要なパフォーマンス指標（例：F1スコア、AUC）は何か？ また、データセットのサイズや特徴選択に応じてどのように変化するか？
• RQ4 実世界のマルウェア検出における主な課題（誤検出、過学習、リアルタイム評価の欠如）は何か？
• RQ5 クラウドベースおよび行動ベースの検出システムは、プライバシー侵害や回避攻撃のリスクを軽減しつつ、検出率をどのように向上させることができるか？

主な発見

• 変形マルウェアおよびゼロデイマルウェアに対して、行動ベースおよびモデル検証手法が、シグネチャベースおよび静的分析を上回る効果を示した。
• LeNet-5ディープラーニングモデルは、クラウドベースのマルウェア検出で90％の正解率を達成したが、適合率は低く、低コストで高速な検出に適している。
• Valkyrieシステム（コンテンツおよび関係分析を用いたクラウドベースのファイル評価システム）は、Kaspersky や McAfee といった商用ツールを上回る正解率と効率性を示した。
• 機械学習のパフォーマンスは、データセットの品質、特徴選択、ハイパーパramータチューニングに強く依存しており、特に小規模データセットでは過学習が大きな問題である。
• 技術の進展にもかかわらず、いかなる手法でも100％の検出は達成できず、高い誤検出率・誤検出率、リアルタイム評価の欠如、プライバシー懸念といった課題は依然として残存している。
• エンドユーザー環境における複数の実行トレースの分散分析は、最小限のオーバーヘッドで検出精度を向上させるが、プライバシー侵害や回避攻撃のリスクを伴う。