Another limitation which follows fr

Another limitation which follows from the use of machine learning is the possibility of mimicry and poisoning attacks [e.g., 25, 27, 35]. While obfuscation strategies, such as repackaging, code reordering or junk code insertion do not affect DREBIN, renaming of activities and components between the learning and detection phase may impair discriminative features [30, 38]. Similarly, an attacker may succeed in lowering the detection score of DREBIN by incorporating
benign features or fake invariants into malicious applications [25, 27]. Although such attacks against learning techniques cannot be ruled out in general, the thorough sanitization of
learning data [see 7] and a frequent retraining on representative datasets can limit their impact

Kết quả (Việt) 1:

Một Giới hạn nào sau từ việc sử dụng của học máy là Khả năng bắt chước và Ngộ độc tấn công [ví dụ, 25, 27, 35]. Trong khi chiến lược gây rối, chẳng hạn như đóng gói lại, sắp xếp lại mã hoặc Insertion mã rác không ảnh hưởng đến Drebin, đổi tên các hoạt động và các thành phần Giữa Việc học tập và giai đoạn phát hiện có thể làm giảm tính năng phân biệt [30, 38]. Tương tự như vậy, một Attacker có thể thành công trong việc giảm số điểm phát hiện Drebin bởi Kết hợp
tính năng lành tính hay bất biến giả vào các ứng dụng độc hại [25, 27]. Mặc dù các cuộc tấn công như vậy chống lại các kỹ thuật học tập không thể loại trừ nói chung, làm vệ sinh kỹ lưỡng các
dữ liệu học tập [xem 7] và bồi dưỡng thường xuyên trên các tập dữ liệu đại diện có thể hạn chế tác động của họ