| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2025-10-10 15:45 MAMLとDeep SVDDを用いた未知マルウェアの分類の検討 ○鷲家 翔・木村共孝・程 俊（同志社大）  NS2025-126 |
|
| 抄録 | （和） | 近年，サイバー攻撃の高度化や多様化に伴い，未知のマルウェアを迅速かつ正確に検出する重要性が高まっている．従来の深層学習ベースの分類手法は大量のラベル付きデータを必要とし，新しいマルウェアに対しては汎化性能が十分でないうえ，学習サンプルの不足が課題となっている．そこで，本稿では，この問題に対処するために，Deep SVDD（Support Vector Data Description）による異常検知とMAML（Model-Agnostic Meta-Learning）による少数ショット学習を統合した手法を提案する．提案手法では，まず既知のマルウェアを用いてDeep SVDDを学習し，異常なサンプルを新種マルウェア候補として識別する．次に，こうして得られた少数のサンプルを用いてMAMLにより事前学習済みモデルを迅速に適応させ，新しいクラスの少数ショット学習を実現する．これにより，Deep SVDDで異常サンプルを迅速に検出しつつ，MAMLによって限られたサンプルでも高い分類精度を達成できることが期待される．マルウェアの画像データセットを用いた実験によって，提案手法は限られたサンプル数においても従来手法を上回る分類精度と高速な収束性を持つことを示す． |
| （英） | In recent years, with the increasing sophistication and diversification of cyberattacks, the need for rapid and accurate detection of unknown malware has become more critical. Conventional deep learning–based classification methods require large amounts of labeled data and often fail to generalize adequately to new malware, while the scarcity of training samples for novel threats further exacerbates the problem. To address these issues, this paper proposes a method that integrates anomaly detection using Deep SVDD (Support Vector Data Description) with few-shot learning using MAML (Model-Agnostic Meta-Learning). In the proposed method, Deep SVDD is first trained on known malware to identify anomalous samples as candidates for new malware. Subsequently, the small number of such samples is used to rapidly adapt a pre-trained model via MAML to perform few-shot learning for new classes. This enables rapid detection of anomalous samples by Deep SVDD and high classification accuracy with limited samples through MAML. Through experimental evaluation on a malware image dataset, we demonstrate that the proposed method achieves higher classification accuracy and faster convergence than conventional methods even under limited sample conditions. | |
| キーワード | （和） | メタ学習 / Deep SVDD / マルウェア分類 / 異常検知 / / / / |
| （英） | Meta-Learning / Deep SVDD / Malware Classification / Anomaly Detection / / / / | |
| 文献情報 | 信学技報, vol. 125, no. 198, NS2025-126, pp. 123-123, 2025年10月. | |
| 資料番号 | NS2025-126 | |
| 発行日 | 2025-10-01 (NS) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | NS2025-126 |
|
| 研究会情報 | |
| 研究会 | NS |
| 開催期間 | 2025-10-08 - 2025-10-10 |
| 開催地（和） | 同志社大学 + オンライン開催 |
| 開催地（英） | Doshisha University + Online |
| テーマ（和） | ネットワークアーキテクチャ(オーバレイ、P2P、ユビキタスNW、スケールフリーNW、アクティブNW、NGN・新世代NW、IoT、エッジコンピューティング)、次世代パケットトランスポート(高速Ethernet、IP over WDM、マルチサービスパケット技術、MPLS)、グリッド、一般 |
| テーマ（英） | Network architecture (5G, Local 5G, Beyond5G, Mobile networks, Ad-hoc and sensor networks, Overlay and P2P networks, Programmable networks, SDN/NFV, IoT, Network slicing), Next generation packet transport (High speed Ethernet, IP over WDM, Multi-service package technology, MPLS), Grid, etc. |
| 講演論文情報の詳細 | |
| 申込み研究会 | NS |
| 会議コード | 2025-10-NS |
| 本文の言語 | 日本語 |
| タイトル（和） | MAMLとDeep SVDDを用いた未知マルウェアの分類の検討 |
| サブタイトル（和） | |
| タイトル（英） | Unknown Malware Classification Using MAML and Deep SVDD |
| サブタイトル（英） | |
| キーワード(1)（和/英） | メタ学習 / Meta-Learning |
| キーワード(2)（和/英） | Deep SVDD / Deep SVDD |
| キーワード(3)（和/英） | マルウェア分類 / Malware Classification |
| キーワード(4)（和/英） | 異常検知 / Anomaly Detection |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 鷲家 翔 / Sho Washika / ワシカ ショウ |
| 第1著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 木村 共孝 / Tomotaka Kimura / キムラ トモタカ |
| 第2著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 程 俊 / Jun Cheng / テイ シュン |
| 第3著者 所属（和/英） | 同志社大学 (略称： 同志社大) Doshisha University (略称： Doshisha Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2025-10-10 15:45:00 |
| 発表時間 | 25分 |
| 申込先研究会 | NS |
| 資料番号 | NS2025-126 |
| 巻番号（vol） | vol.125 |
| 号番号（no） | no.198 |
| ページ範囲 | p.123 |
| ページ数 | 1 |
| 発行日 | 2025-10-01 (NS) |
[研究会発表申込システムのトップページに戻る]