Yet another research on GANs in cybersecurity

• Autorzy: Zimoń Michał , Kasprzyk Rafał

Identyfikatory

DOI

10.35467/cal/169299

Warianty tytułu

PL

Jeszcze jedna praca badawcza dotyczące sieci GAN w cyberbezpieczeństwie

• Języki publikacji: EN

Abstrakty

EN

Deep learning algorithms have achieved remarkable results in a wide range of tasks, including image classification, language translation, speech recognition, and cybersecurity. These algorithms can learn complex patterns and relationships from large amounts of data, making them highly effective for many applications. However, it is important to recognize that models built using deep learning are not fool proof and can be fooled by carefully crafted input samples. This paper presents the results of a study to explore the use of Generative Adversarial Networks (GANs) in cyber security. The results obtained confirm that GANs enable the generation of synthetic malware samples that can be used to mislead a classification model.

PL

Algorytmy głębokiego uczenia pozwoliły osiągnąć znakomite wyniki w różnorodnych zadaniach, w tym w klasyfikacji obrazów, tłumaczeniu języka, rozpoznawaniu mowy i cy-berbezpieczeństwie. Mogą one uczyć się złożonych wzorców i zależności z dużych ilości danych, dlatego są bardzo skuteczne w wielu zastosowaniach. Jednakże ważne jest to, żeby zdawać sobie sprawę, że modele zbudowane z wykorzystaniem uczenia głębokiego nie są niezawodne i można je oszukać za pomocą starannie przygotowanych próbek wej¬ściowych. W artykule zostały przedstawione wyniki badań, których celem jest zbadanie możliwości wykorzystania generatywnych sieci antagonistycznych (ang. Generative Ad¬versarial Networks – GAN) w cyberbezpieczeństwie. Uzyskane wyniki potwierdzają, że sieci GAN umożliwiają generowanie syntetycznych próbek złośliwego oprogramowania, które mogą zostać wykorzystane do wprowadzenia w błąd model klasyfikacyjny.

Słowa kluczowe

EN

cybersecurity; malware; artificial intelligence; machine learning; deep learning; generative adversarial network

PL

cyberbezpieczeństwo; złośliwe oprogramowanie; sztuczna inteligencja; uczenie maszynowe; głębokie uczenie; generatywne sieci antagonistyczne

• Wydawca: Akademia Sztuki Wojennej
• Czasopismo: Cybersecurity and Law
• Rocznik: 2023
• Tom: Vol. 9 (1)
• Strony: 61--72
• Opis fizyczny: Bibliogr. 6 poz., rys., tab., wykr.

Twórcy

autor

Zimoń Michał

• Faculty of Cybernetics, Military University of Technology, Warsaw

autor

Kasprzyk Rafał

• Faculty of Cybernetics, Military University of Technology, Warsaw

Bibliografia

• 1. Bozkir A.S., Cankaya, A.O., Aydos M., Utilization and Comparision of Convolutional Neural Networks in Malware Recognition, 2019, https://www.researchgate.net/publication/331773587_Uti-lization_and_Comparision_of_Convolutional_Neural_Networks_in_Malware_Recognition [access: 4.01.2023].
• 2. He K., Zhang X., Ren S., Sun J., Deep Residual Learning for Image Recognition, 2015, https://arxiv. org/pdf/1512.03385.pdf [access: 4.01.2023].
• 3. Karras T. et al., Training Generative Adversarial Networks with Limited Data, 2020, https://arxiv.org/ pdf/2006.06676.pdf [access: 4.01.2023].
• 4. Radford A., Metz L., Chintala S., Unsupervised Represenation Learning With Deep Convolutional Generative Aadversarial Networks, 2016, https://arxiv.org/pdf/1511.06434.pdf [access: 4.01.2023].
• 5. Salian I., NVIDIA Research Achieves AI Training Breakthrough, 2020, https://blogs.nvidia.com/ blog/2020/12/07/neurips-research-limited-data-gan/ [access: 4.01.2023].
• 6. Tan M., Le Q., EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, 2019, https://arxiv.org/pdf/1905.11946.pdf [access: 4.01.2023].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).