DroidAugmentor: uma ferramenta de treinamento e avaliação de cGANs para geração de dados sintéticos
Resumo
A DroidAugmentor utiliza cGANs para criar dados sintéticos rotulados como benignos ou malignos. A ferramenta incorpora métricas de similaridade e aplicabilidade para avaliar a qualidade desses dados. Demonstramos a eficácia da DroidAugmentor na geração de 12.126 amostras sintéticas para o dataset Drebin-215, indicando a capacidade de capturar padrões representativos para o aumento de dados.
Referências
AI & Data Today (2023). Top 10 reasons why ai projects fail. https://t.ly/wMBj5.
Cap, Q. H., Uga, H., Kagiwada, S., and Iyatomi, H. (2020). Leafgan: An effective data augmentation method for practical plant disease diagnosis. IEEE TASE, 19(2):1258.
Gonog, L. and Zhou, Y. (2019). A review: generative adversarial networks. In 14th IEEE ICIEA, pages 505–510. IEEE.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Mirza, M. and Osindero, S. (2014). Conditional generative adversarial nets. arXiv preprint arXiv 1411 1784.
Renjith, G., Laudanna, S., Aji, S., Visaggio, C. A., and Vinod, P. (2022). GANG-MAM: GAN based engine for modifying android malware. SoftwareX, 18:100977.
Soares, T., Mello, J., Barcellos, L., Sayyed, R., Siqueira, G., Casola, K., Costa, E., Gustavo, N., Feitosa, E., and Kreutz, D. (2021a). Detecção de malwares android: Levantamento empírico da disponibilidade e da atualização das fontes de dados. In Anais da XIX ERRC, pages 49–54. SBC.
Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., Feitosa, E., and Kreutz, D. (2021b). Detecçao de malwares android: datasets e reprodutibilidade. In Anais da XIX ERRC, pages 43–48. SBC.
Vilanova, L., Kreutz, D., Assolin, J., Quincozes, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). Adbuilder: uma ferramenta de construçao de datasets para detecçao de malwares android. In Anais Estendidos do XXII SBSeg, pages 143–150. SBC.
Cap, Q. H., Uga, H., Kagiwada, S., and Iyatomi, H. (2020). Leafgan: An effective data augmentation method for practical plant disease diagnosis. IEEE TASE, 19(2):1258.
Gonog, L. and Zhou, Y. (2019). A review: generative adversarial networks. In 14th IEEE ICIEA, pages 505–510. IEEE.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Mirza, M. and Osindero, S. (2014). Conditional generative adversarial nets. arXiv preprint arXiv 1411 1784.
Renjith, G., Laudanna, S., Aji, S., Visaggio, C. A., and Vinod, P. (2022). GANG-MAM: GAN based engine for modifying android malware. SoftwareX, 18:100977.
Soares, T., Mello, J., Barcellos, L., Sayyed, R., Siqueira, G., Casola, K., Costa, E., Gustavo, N., Feitosa, E., and Kreutz, D. (2021a). Detecção de malwares android: Levantamento empírico da disponibilidade e da atualização das fontes de dados. In Anais da XIX ERRC, pages 49–54. SBC.
Soares, T., Siqueira, G., Barcellos, L., Sayyed, R., Vargas, L., Rodrigues, G., Assolin, J., Pontes, J., Feitosa, E., and Kreutz, D. (2021b). Detecçao de malwares android: datasets e reprodutibilidade. In Anais da XIX ERRC, pages 43–48. SBC.
Vilanova, L., Kreutz, D., Assolin, J., Quincozes, V., Miers, C., Mansilha, R., and Feitosa, E. (2022). Adbuilder: uma ferramenta de construçao de datasets para detecçao de malwares android. In Anais Estendidos do XXII SBSeg, pages 143–150. SBC.
Publicado
18/09/2023
Como Citar
CASOLA, Karina; PAIM, Kayuã Oleques; MANSILHA, Rodrigo Brandão; KREUTZ, Diego.
DroidAugmentor: uma ferramenta de treinamento e avaliação de cGANs para geração de dados sintéticos. In: SALÃO DE FERRAMENTAS - SIMPÓSIO BRASILEIRO DE SEGURANÇA DA INFORMAÇÃO E DE SISTEMAS COMPUTACIONAIS (SBSEG), 23. , 2023, Juiz de Fora/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 57-64.
DOI: https://doi.org/10.5753/sbseg_estendido.2023.235793.
