File Fragment Type Classification Using Light-Weight Convolutional Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In digital forensics, file carving is used to extract files without relying on the underlying file system metadata. This process can be challenging if the file is fragmented. Therefore, it is important first to identify the type of file fragment. There exist several techniques to identify the type of file fragments without relying on metadata, for example, using headers and footers to identify the fragment type. Recently, convolutional neural network (CNN) models have been used to build classification models to achieve this task. Existing models for file fragment type classification often require significant computational resources due to their large number of parameters, leading to slower inference times and higher memory consumption. To address these challenges, we propose light-weight file fragment type classification models based on separable CNNs that maintain comparable accuracy while reducing computational demands. Our proposed light-weight file fragment type classification model leverages depthwise separable convolutions to improve the efficiency of feature extraction while reducing computational overhead. This approach leads to improved classification performance by focusing on the most relevant features within file fragments, achieving comparable accuracy to state-of-the-art models with significantly fewer parameters. The evaluation results demonstrate the model’s effectiveness, with a 79% accuracy on the FFT-75 dataset using nearly 100K parameters and 164M FLOPs —representing a 4x reduction in model size and a 6x improvement in speed over the best-performing existing classifier. Our results demonstrate that these light-weight models are effective for real-time digital forensic applications where computational efficiency is critical.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle