Deep Learning Based Approach for Classifying Power Signals and Detecting Anomalous Behavior of Wireless Devices
Notice bibliographique
Résumé
The problem of extracting insights from signals is a very interesting and challenging task. This problem finds its way into the task of detecting malware in wireless devices by considering their power consumption signals. Relying on the fact that every single action on-board (whether hardware or software driven actions) will be reflected as a change in the device's power consumption; consequently, leaving a trace (by malware) in the power consumed by the device is something inevitable. Motivated by the powerful capabilities of deep learning in extracting features unsupervisedly, this paper proposes deep learning based detection methodology. The methodology makes use of time-frequency representation (TFR) of signals to resemble informative visual textures. The assumption is that TFRs (2-D images) construct textures that capture valuable information out of 1-D signals. Following that, Histograms of Oriented Gradients (HOG) of TFR images are computed. The HOG information is treated as images that contain better discriminative features. Finally, a convolutional neural network (CNN) model is trained to accurately classify these signals and detect the anomalous behavior. We have validated the effectiveness of the proposed methodology on a cybersecurity application in the domain of wireless devices. The experimental results confirm that proposed methods can be used to detect the presence of malwares in smartphones with high accuracy, and can also outperform previously reported methods with ~9% to 17% detection performance gain.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».