In this dissertation, we present our study about deep learning in two parts. The first part is about leveraging deep learning for Android malware detection. The second part is about Privacy-Preserving Deep Learning (PPDL) for Machine Learning as a Service (MLaaS)
Part I is focused on implementing feature learning for Android malware detection. The current Android malware detection method is limited to two kinds of methods, static and dynamic. Static method is easy to use but difficult to detect new kinds of malware. On the other hand, dynamic method is strong against a new malware but needs an expert skill to manipulate it. For the last decades, machine learning has advanced rapidly as a new malware detection method. We propose a modified feature learning method for malware detection, which is based on Deep Abstraction and Weighted Feature Selection proposed (DFES) for Intrusion Detection System. The methodology consists of a combination between Stacked Autoencoder (SAE) for feature extraction and weight based Artificial Neural Network (ANN) for feature selection and classification. The goal of this dissertation is to conduct a study to compare the performance of Modified DFES (mDFES), DFES, and a simple Feature Extraction and Selection (FES).
Part II is focused on study about leveraging deep learning for privacy-preserving. The exponential growth of big data and deep learning has increased the data exchange traffic in society. MLaaS, which leverages deep learning techniques for predictive analytics to enhance decision-making, has become a hot commodity. However, the adoption of MLaaS introduces data privacy challenges for data owners and security challenges for deep learning model owners. Data owners are concerned about the safety and privacy of their data on MLaaS platforms, while MLaaS platform owners worry that their models could be stolen by adversaries who pose as clients. Consequently, PPDL arises as a possible solution to this problem.%Recently, several papers about PPDL for MLaaS have been published. However, to the best of our knowledge, no previous work has summarized the existing literature on PPDL and its specific applicability to the MLaaS environment.
We present a comprehensive study of privacy-preserving techniques, starting from classical privacy-preserving techniques to well-known deep learning techniques. Additionally, we provide a detailed description of PPDL and address the issue of using PPDL for MLaaS. Furthermore, we undertake detailed comparisons between state-of-the-art PPDL methods. Subsequently, we classify an adversarial model on PPDL by highlighting possible PPDL attacks and their potential solutions. Ultimately, our study serves as a single point of reference for detailed knowledge on PPDL and its applicability to MLaaS environments for both new and experienced researchers.
본 논문에서, 우리는 깊이 있는 학습에 대한 연구를 두 부분으로 나누어 제시한다. 첫 번째 부분은 Android 맬웨어 탐지를 위한 딥 러닝을 활용하는 것입니다. 두 번째 파트에서는 서비스로서의 기계 학습(MLaaS)을 위한 개인 정보 보호 딥 러닝(PPDL)에 대해 설명합니다.
파트 I은 Android 맬웨어 탐지를 위한 기능 학습을 구현하는 데 초점을 맞춥니다. 현재 Android 맬웨어 탐지 방법은 정적 및 동적 두 가지 방법으로 제한됩니다. 정적 방법은 사용하기 쉽지만 새로운 종류의 악성 프로그램을 탐지하기는 어렵습니다. 반면, 동적 방법은 새로운 악성 프로그램에 대해 강력하지만 이를 조작할 수 있는 전문 기술이 필요합니다. 지난 수십 년 동안 기계 학습은 새로운 악성 프로그램 탐지 방법으로 빠르게 발전해 왔습니다. 우리는 침입 탐지 시스템에 대해 제안된 심층 추상화 및 가중 형상 선택(DFES)을 기반으로 하는 멀웨어 탐지를 위한 수정된 특징 학습 방법을 제안한다. 방법론은 형상 추출을 위한 스택형 자동 인코더(SAE)와 형상 선택 및 분류를 위한 중량 기반 인공신경망(ANN)의 조합으로 구성된다. 본 논문의 목적은 수정된 DFES(mDFES), DFES 및 단순 형상 추출 및 선택(FES)의 성능을 비교하기 위한 연구를 수행하는 것이다.
II부는 개인 정보 보호를 위해 딥 러닝을 활용하는 연구에 초점을 맞추고 있다. 빅 데이터와 딥 러닝의 기하급수적인 성장은 사회에서 데이터 교환 트래픽을 증가시켰습니다. 예측 분석을 위한 딥 러닝 기술을 활용하여 의사 결정을 강화하는 MLaaS는 핫 커머스가 되었습니다. 그러나 MLaaS를 채택하면 데이터 소유자에게 데이터 개인 정보 보호 문제가 발생하고 딥러닝 모델 소유자에게 보안 문제가 발생합니다. 데이터 소유자는 MLaaS 플랫폼에서 데이터의 안전 및 개인 정보에 대해 우려하고 있는 반면, MLaaS 플랫폼 소유자는 자신의 모델이 클라이언트 역할을 하는 적에게 도난당할 수 있다고 우려합니다. 결과적으로, PPDL은 이 문제에 대한 가능한 해결책으로 발생한다.
우리는 기존의 개인 정보 보호 기술에서 시작하여 잘 알려진 딥 러닝 기술에 이르기까지 개인 정보 보호 기술에 대한 포괄적인 연구를 제시한다. 또한 PPDL에 대한 자세한 설명을 제공하고 MLaaS에 대한 PPDL 사용 문제를 해결합니다. 또한, 우리는 최첨단 PPDL 방법 간의 상세한 비교를 수행한다. 그 후, 우리는 가능한 PPDL 공격과 잠재적 해결책을 강조하여 PPDL에 대한 적대 모델을 분류한다. 궁극적으로, 우리의 연구는 PPDL에 대한 자세한 지식 및 새로운 연구자와 숙련된 연구자 모두를 위한 MLaaS 환경에 대한 그것의 적용 가능성에 대한 단일 참조점 역할을 한다.
