DRo：一种用于革新基于深度学习的安全系统性能的数据稀缺机制
密码学与安全
2021-09-14 v1 人工智能
机器学习
摘要
监督式深度学习需要大量标注数据才能收敛，从而在特定任务学习中达到最优性能。因此，我们针对安全等数据稀缺领域提出了一种名为 DRo（Deep Routing，深度路由）的新机制。DRo 方法建立在深度聚类近期的一些进展之上，尤其利用了基于合成生成的局部扰动的自我增强训练机制。DRo 不仅缓解了稀疏标注数据带来的挑战，还提供了许多独特优势。我们还开发了一个名为 DRoID 的系统，该系统使用 DRo 机制来提升现有恶意软件检测系统的性能，该系统仅使用 Android 隐式 Intent 等低信息特征作为唯一特征。我们在流行的标准化 Android 恶意软件数据集上对 DRoID 进行了实验，发现 DRo 机制成功将下游分类器产生的误报降低了 67.9%，同时将其准确率提升了 11.3%。这一成果意义重大，不仅因为所取得的增益前所未有，还因为所用特征从未被认为足以单独训练分类器，因此迄今为止没有任何恶意软件分类系统仅用这些特征报告过像样的性能。基于所取得的成果，DRo 机制在所有旨在提升稀疏标注数据下深度学习模型分类性能的已知系统中占据主导地位。
引用
@article{arxiv.2109.05470,
title = {DRo: A data-scarce mechanism to revolutionize the performance of Deep Learning based Security Systems},
author = {Mohit Sewak and Sanjay K. Sahay and Hemant Rathore},
journal= {arXiv preprint arXiv:2109.05470},
year = {2021}
}