檢索結果：共8筆資料 檢索策略： "Yuh-Jye Lee".ecommittee (精準) and year="111"
個人化服務 ：
排序：
每頁筆數：
已勾選0筆資料
1
隨著人工智慧模型的進步，一系列針對不同應用領域的後門攻擊逐漸被提出。 目前對後門攻擊的研究主要集中在不同領域的攻擊者如何設計有效的觸發器。然而，通過在訓練樣本中嵌入觸發器來毒害訓練集的後門攻擊的研究…
2
隨著數位世界的快速發展，惡意軟體已成為網路安全上的重大威脅。在惡意軟體檢測中，機器學習扮演著關鍵的角色。然而，攻擊者持續不斷地尋找建立對抗性樣本以繞過檢測器的方法，這使得惡意軟體檢測器的穩健性成為一…
3
在靜態惡意軟體檢測中，結構型特徵，如控制流程圖（CFG）與函數呼叫圖(FCG)，因其包含執行流程和軟體結構信息，被視作是識別惡意軟體的關鍵特徵。圖神經網路（GNN）可以有效地捕捉到節點之間的依賴關係…
4
現有的對抗式攻擊大多依賴白箱的場景設置，然而在現實中，防守者會避 免洩露任何有用的資訊給攻擊者，使戰場轉為黑箱的場景設置，這使對抗式攻 擊變成相對具有挑戰性的任務。為了解決這些問題，大多數現有的攻擊…
5
在物聯網快速發展的時代，惡意軟體威脅不斷增加，已成為一個重要的資訊安全問題。攻擊者利用加殼技術來規避惡意軟體檢測器的檢測，使得逆向工具難以分析加殼樣本。然而，即使這些工具成功破殼樣本，結果也不一定準…
6
物聯網（IoT）的快速增長將為日常生活帶來便利和效能提升，但也帶來了風險和挑戰。惡意程式對物聯網系統的安全性構成威脅。為了確保物聯網的可持續發展，需加強物聯網設備的安全防護，並採用創新的技術來偵測惡…
7
近年來，機器學習模型在資訊安全領域取得了重要進展，越來越多的IoT設備依賴機器學習模型進行惡意軟體檢測。惡意軟體的不斷演進迫使基於機器學習的檢測方法需要定期收集訓練資料以確保準確性，這也帶來了潛在的…
8
伴隨物聯網（IoT）的快速發展，針對物聯網設備的惡意軟體也因此大量產生。儘管藉由機器學習模型，人們已經可以自動化的檢測惡意軟體的存在與否。但仍然存在極大的隱憂，也就是針對機器學習模型的對抗式攻擊。對…