Buchumschlag

IoT-based Android Malware Detection Using Graph Neural Network With Adversarial Defense

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yumlembam, Rahul, Issac, Biju, Jacob, Seibu Mary, Yang, Longzhi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Comprehensive Botnet Detection by Mitigating Adversarial Attacks, Navigating the Subtleties of Perturbation Distances and Fortifying Predictions with Conformal Layers
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2024)

Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

Enhancing Decision-Making in Windows PE Malware Classification During Dataset Shifts with Uncertainty Estimation
von: Yumlembam, Rahul, et al.
Veröffentlicht: (2025)

Flow-based Detection of Botnets through Bio-inspired Optimisation of Machine Learning
von: Issac, Biju, et al.
Veröffentlicht: (2024)

Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks
von: Stalin, Kawana, et al.
Veröffentlicht: (2024)

Multi-stage Attack Detection and Prediction Using Graph Neural Networks: An IoT Feasibility Study
von: Friji, Hamdi, et al.
Veröffentlicht: (2024)

Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid
von: Chaieb, Meryam, et al.
Veröffentlicht: (2024)

MASKDROID: Robust Android Malware Detection with Masked Graph Representations
von: Zheng, Jingnan, et al.
Veröffentlicht: (2024)

Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
von: He, Ping, et al.
Veröffentlicht: (2025)

LLM-Driven Feature-Level Adversarial Attacks on Android Malware Detectors
von: Lan, Tianwei, et al.
Veröffentlicht: (2025)

Learning Temporal Invariance in Android Malware Detectors
von: Zheng, Xinran, et al.
Veröffentlicht: (2025)

Explainable Attention-Guided Stacked Graph Neural Networks for Malware Detection
von: Shokouhinejad, Hossein, et al.
Veröffentlicht: (2025)

Combating Concept Drift with Explanatory Detection and Adaptation for Android Malware Classification
von: He, Yiling, et al.
Veröffentlicht: (2024)

Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

LAMD: Context-driven Android Malware Detection and Classification with LLMs
von: Qian, Xingzhi, et al.
Veröffentlicht: (2025)

Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks
von: Debicha, Islam, et al.
Veröffentlicht: (2026)

Are Trees Really Green? A Detection Approach of IoT Malware Attacks
von: Sanna, Silvia Lucia, et al.
Veröffentlicht: (2025)

Android Malware Detection: A Machine Leaning Approach
von: Abdulla, Hasan
Veröffentlicht: (2025)

Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2026)

Towards a Practical Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2023)

A Robust Defense against Adversarial Attacks on Deep Learning-based Malware Detectors via (De)Randomized Smoothing
von: Gibert, Daniel, et al.
Veröffentlicht: (2024)

FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning
von: Darwish, Rami, et al.
Veröffentlicht: (2025)

Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks
von: Amouri, Amar, et al.
Veröffentlicht: (2024)

Exploring Large Language Models for Semantic Analysis and Categorization of Android Malware
von: Walton, Brandon J, et al.
Veröffentlicht: (2025)

RL and Fingerprinting to Select Moving Target Defense Mechanisms for Zero-day Attacks in IoT
von: Celdrán, Alberto Huertas, et al.
Veröffentlicht: (2022)

Empirical Evaluation of Concept Drift in ML-Based Android Malware Detection
von: Sabbah, Ahmed, et al.
Veröffentlicht: (2025)

Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset
von: Akif, Md Ahnaf, et al.
Veröffentlicht: (2025)

Open Set Dandelion Network for IoT Intrusion Detection
von: Wu, Jiashu, et al.
Veröffentlicht: (2023)

DetectBERT: Towards Full App-Level Representation Learning to Detect Android Malware
von: Sun, Tiezhu, et al.
Veröffentlicht: (2024)

MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks
von: Wu, Tongxi, et al.
Veröffentlicht: (2025)

Creating Valid Adversarial Examples of Malware
von: Kozák, Matouš, et al.
Veröffentlicht: (2023)

Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
von: Diaf, Alaeddine, et al.
Veröffentlicht: (2024)

Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks
von: Rupanetti, Dulana, et al.
Veröffentlicht: (2025)

Optimal Control of Malware Propagation in IoT Networks
von: Jafar, Mousa Tayseer, et al.
Veröffentlicht: (2024)

LLM-based Multi-class Attack Analysis and Mitigation Framework in IoT/IIoT Networks
von: Ikbarieh, Seif, et al.
Veröffentlicht: (2025)

MA-IDS: Multi-Agent RAG Framework for IoT Network Intrusion Detection with an Experience Library
von: Islam, Md Shamimul, et al.
Veröffentlicht: (2026)

Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning
von: Atitallah, Safa Ben, et al.
Veröffentlicht: (2024)

Evaluating Language Models For Threat Detection in IoT Security Logs
von: Tejero-Fernández, Jorge J., et al.
Veröffentlicht: (2025)

Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art
von: Ling, Xiang, et al.
Veröffentlicht: (2021)

MalPurifier: Enhancing Android Malware Detection with Adversarial Purification against Evasion Attacks
von: Zhou, Yuyang, et al.
Veröffentlicht: (2023)