Malware Squid: A Novel IoT Malware Traffic Analysis Framework using Convolutional Neural Network and Binary Visualisation
近年来，物联网设备迅速增长和普及，越来越多的普通设备获得了网络能力，并成为不断增长的物联网网络的一部分。随着这种指数级增长和资源的限制，由于恶意软件的发展速度超过了防御机制的处理速度，因此越来越难以防范恶意软件等安全威胁。传统的安全系统无法检测未知的恶意软件，因为它们使用基于签名的方法。在本文中，我们的目标是通过引入一种新的物联网恶意软件流量分析方法，使用神经网络和二进制可视化来解决这个问题。所提出的方法的主要动机是更快地检测和分类新的恶意软件（零日恶意软件）。实验结果表明，该方法能够满足实际应用的精度要求。
2021-09-08 cs.AI cs.CR
Classifying Malware Images with Convolutional Neural Network Models
University of Colorado Colorado Springs（科罗拉多斯普林斯分校科罗拉多大学）
由于来自恶意软件（malware）的威胁在数量和复杂性上都在增加，研究人员已经开发出自动检测和分类恶意软件的方法，而不是耗时费力地手动分析恶意软件文件的方法。与此同时，恶意软件作者已经开发了一些技术来规避防病毒公司使用的基于签名的检测技术。最近，深度学习被用于恶意软件分类来解决这个问题。在本文中，我们使用几个卷积神经网络（CNN）模型的静态恶意软件分类。特别是，我们使用了六个深度学习模型，其中三个是ImageNet大规模视觉识别挑战赛的获奖者。其他三种模型是CNN-SVM，GRU-SVM和MLP-SVM，它们用支持向量机（SVM）增强神经模型。我们使用Malimg数据集进行实验，该数据集具有从可移植可执行恶意软件二进制文件转换的恶意软件图像。该数据集分为25个恶意软件家族。比较显示，Inception V3模型的测试准确率达到99.24%，优于目前最先进的系统M-CNN模型所达到的98.52%的准确率。
2020-10-30 cs.CR cs.CV
Adversarial Malware Generation in Linux ELF Binaries via Semantic-Preserving Transformations
Faculty of Information Technology, Czech Technical University in Prague（信息技术学院，布拉格捷克技术大学）
本文提出了一种新的ELF格式对抗性恶意软件生成器，通过多种指标评估发现其 evasion rate 为67.74%，并发现目标分类器对可执行文件中的字符串敏感。
2026-04-24 cs.CR cs.LG
Foundational Models for Malware Embeddings Using Spatio-Temporal Parallel Convolutional Networks
本文提出一种结合卷积神经网络、图嵌入和度量学习的方法，从网络流数据中学习恶意软件行为的强嵌入，以提升恶意软件分类、零日威胁检测和攻击类型归因等下游任务的泛化能力。
2023-05-24 cs.CR
Malware Classification Using Long Short-Term Memory Models
基于签名和异常的技术是恶意软件检测的典型方法。然而，这些技术已经变得越来越无效，因为恶意软件已经变得越来越复杂和复杂。因此，研究人员转向深度学习来构建性能更好的模型。在本文中，我们创建了四种不同的基于长短期记忆（LSTM）的模型，并对每个模型进行训练，以对来自20个家族的恶意软件样本进行分类。我们的功能包括从恶意软件可执行文件中提取的操作码。我们采用自然语言处理（NLP）中使用的技术，包括词嵌入和双向LSTM（biLSTM），我们还使用卷积神经网络（CNN）。我们发现，由词嵌入，biLSTM和CNN层组成的模型在我们的恶意软件分类实验中表现最好。
2021-03-03 cs.CR cs.LG
Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection
University of Maryland, Baltimore County（马里兰大学巴尔的摩郡分校）；Booz Allen Hamilton（博兹艾伦汉密尔顿公司）；Laboratory for Physical Sciences（物理科学实验室）
针对恶意软件检测的长程预测问题，提出全局全息卷积网络（HGConv），利用HRR特性进行特征编解码，无需复杂核计算，在多个基准上达到SOTA且具有对数线性复杂度的高效扩展性。
2024-03-23 cs.AI cs.CR cs.LG
Malware Classification using Diluted Convolutional Neural Network with Fast Gradient Sign Method
Marriott International（万豪国际集团）；Persistent Systems（Persistent Systems公司）；VISA（维萨）；Tata Consultancy Services Ltd（塔塔咨询服务有限公司）
本文提出了一种结合稀疏卷积神经网络与快速梯度符号法的恶意软件分类方法，实现了99.44%的高准确率，优于现有方法。
2026-01-14 cs.AI cs.CE cs.CR
R2-D2: ColoR-inspired Convolutional NeuRal Network (CNN)-based AndroiD Malware Detections
Leopard Mobile Inc.（猎豹移动公司）；National Cheng Kung University（国立成功大学）
深度学习对图像识别和自然语言处理的影响在全球引起了极大的关注。卷积神经网络无需事先提取特征即可学习，非常适合应对Android恶意软件的快速迭代。检测Android恶意软件的传统解决方案需要通过预提取的特征进行持续学习，以保持识别恶意软件的高性能。为了在不提取预先选择的特征的情况下减少特征工程的人力，我们开发了一个基于coloR启发的卷积神经网络（CNN）的AndroiD恶意软件检测（R2-D2）系统。系统可以将Android存档文件中的classes.dex字节码转换为RGB颜色代码，并将其存储为固定大小的彩色图像。彩色图像输入到卷积神经网络进行自动特征提取和训练。数据收集时间为2017年1月至2017年8月。在此期间，我们在研究合作伙伴Leopard Mobile Inc.的帮助下，收集了大约200万个良性和恶意Android应用程序进行实验。实验结果表明，该系统能够对合约进行准确的安全分析.此外，我们将研究结果和实验材料保存在http://R2D2.TWMAN.ORG上。
2018-11-15 cs.AI cs.CR
Marvolo: Programmatic Data Augmentation for Practical ML-Driven Malware Detection
Princeton University（普林斯顿大学）；Booz Allen Hamilton（博思艾伦汉密尔顿）；Laboratory for Physical Sciences（物理科学实验室）
数据增强在网络安全领域中是罕见的，这是由于在以与原始数据语义一致的方式改变数据方面存在技术困难。考虑到获取受到版权限制的良性和恶意训练数据的独特困难，以及银行和政府等机构收到的有针对性的恶意软件永远不会大量存在，这种短缺尤为严重。我们提出了MARVOLO，一个二进制的mutator，以编程方式增长恶意软件（和良性）的数据集的方式，提高ML驱动的恶意软件检测器的准确性。MARVOLO采用保留语义的代码转换，模仿恶意软件作者和防御性良性开发人员在实践中经常进行的更改，使我们能够生成有意义的增强数据。至关重要的是，语义保持转换还使MARVOLO能够安全地将标签从原始数据样本传播到新生成的数据样本，而无需对二进制文件进行昂贵的逆向工程。此外，MARVOLO嵌入了几个关键优化，通过最大化在给定时间（或资源）预算内生成的各种数据样本的密度，为从业者保持低成本。使用广泛的商业恶意软件数据集和最近的ML驱动的恶意软件检测器进行的实验表明，MARVOLO将准确率提高了5%，同时只对一小部分（15%）潜在的输入二进制文件进行操作。
2022-06-07 cs.CR cs.LG
CNN vs ELM for Image-Based Malware Classification
San Jose State University（圣何塞州立大学）
恶意软件分类领域的研究通常依赖于在高级特征（诸如操作码、函数调用和控制流图）上训练的机器学习模型。提取这些特性的成本很高，因为通常需要进行反汇编或执行代码。在本文中，我们进行了实验，训练和评估恶意软件分类的机器学习模型，根据功能，可以得到没有拆卸或执行代码。具体来说，我们将恶意软件样本可视化为图像，并采用图像分析技术。在这种情况下，我们专注于两种机器学习模型，即卷积神经网络（CNN）和极限学习机器（ELM）。令人惊讶的是，我们发现ELM可以达到与CNN相当的准确性，但ELM训练所需的时间不到训练一个类似的CNN所需时间的2%。
2021-03-24 cs.CR cs.LG
An Empirical Analysis of Image-Based Learning Techniques for Malware Classification
San Jose State University（圣何塞州立大学）
在本文中，我们考虑使用深度学习技术和基于图像的特征进行恶意软件分类。我们采用了各种各样的深度学习技术，包括多层感知器（MLP），卷积神经网络（CNN），长短期记忆（LSTM）和门控递归单元（GRU）。在我们的CNN实验中，迁移学习起着突出的作用，我们测试了VGG-19和ResNet 152模型。与以前的工作相比，本文中提出的结果是基于更大，更多样化的恶意软件数据集，我们考虑了更广泛的功能，我们实验了更多种类的学习技术。因此，我们的研究结果是迄今为止最全面和最完整的。
2021-03-24 cs.CR cs.LG
EvadeDroid: A Practical Evasion Attack on Machine Learning for Black-box Android Malware Detection
Radboud University（拉德堡德大学）；Ruhr University Bochum（波鸿鲁尔大学）
本文提出 EvadeDroid，一种基于良性捐赠应用变换和查询高效优化的黑盒问题空间攻击，可在极少查询下规避多种 Android 恶意软件检测器及商业杀毒软件。
2024-01-25 cs.CR cs.LG
A Comparison of Malware Image Transformations Using Grad-CAM and Hybrid Learning Models
Department of Computer Science, San Jose State University（圣何塞州立大学计算机系）
本研究对比8种恶意软件图像变换方法，采用Grad-CAM分析，发现准确率与解释保真度不一致，基于Grad-CAM特征的随机森林模型在17个恶意软件家族上准确率达0.777，优于此前基准。
2026-08-13 cs.CR
Generation & Evaluation of Adversarial Examples for Malware Obfuscation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Amazon Alexa（亚马逊Alexa）
人们对应用卷积神经网络进行基于图像的恶意软件分类的兴趣越来越大，但神经网络对对抗性示例的敏感性允许恶意行为者逃避分类器。对抗性示例通常通过向人类无法识别的输入添加小扰动来生成，但同样的方法对恶意软件无效。一般来说，这些扰动会导致字节序列的变化，从而改变初始功能或导致不可执行的二进制文件。我们提出了一个使用混淆的可执行对抗性恶意软件示例的生成模型，该模型在白盒和黑盒设置中分别实现了高达100%和98%的错误分类率，并展示了可转移性。我们进一步评估了所提出的方法的有效性，通过报告我们对抗性示例对流行防御策略的规避率的微小变化。
2019-10-16 cs.CR cs.LG
A novel DL approach to PE malware detection: exploring Glove vectorization, MCC_RCNN and feature fusion
Beijing Key Laboratory of Security and Privacy in Intelligent Transportation, Beijing Jiaotong University（北京交通大学智能交通信息安全与隐私保护北京市重点实验室）
近年来，恶意软件变得更具威胁性。关于不断增加的恶意软件变体，出现了基于机器学习（ML）和基于深度学习（DL）的启发式检测方法。然而，两者的预测精度都有待提高。针对PE恶意软件领域中的上述问题，我们提出了基于DL的检测方法，并使用基于静态的特征馈送到模型中。本文的主要贡献如下：概括了现有的恶意软件检测方法。提出了一种基于Glove的恶意软件指令层和语义层的矢量化表示模型。我们实现了一个称为MCC_R CNN（恶意软件检测和递归卷积神经网络）的神经网络模型，包括CNN和RNN的组合。此外，我们提供了一个描述的特征融合在静态行为水平。通过对基于手套的矢量化、基于MCC_RCNN的分类方法和特征融合阶段的比较实验，我们提出的分类方法可以获得比其他基线方法更高的预测精度。
2021-02-04 cs.CR cs.LG
Measuring and Explaining the Effects of Android App Transformations in Online Malware Detection
本文提出数据驱动方法，通过六种Android应用变换、一个月VirusTotal跟踪及971K余份报告，分析并解释杀毒引擎检测机制与规避影响。
2025-07-27 cs.CR
Malware Classification using Deep Learning based Feature Extraction and Wrapper based Feature Selection Technique
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学学院）；PIEAS Artificial Intelligence Center（PIEAS人工智能中心）；Centre for Mathematical Sciences, Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院数学科学中心）；College of Computer and Information Sciences, King Saud University（沙特国王大学计算机与信息科学学院）
在恶意软件分析的情况下，恶意文件的分类是恶意软件检测后的重要部分。到目前为止，已经报道了许多用于对恶意软件进行分类的静态和动态技术。本研究提出了一种基于深度学习的恶意软件检测（DLMD）技术，该技术基于静态方法对不同的恶意软件家族进行分类。所提出的DLMD技术使用字节和ASM文件进行特征工程，从而对恶意软件家族进行分类。首先，使用两个不同的深度卷积神经网络（CNN）从字节文件中提取特征。在此之后，使用基于包装器的机制，其中支持向量机（SVM）被用作分类器的基本和歧视性的操作码特征被选择。其思想是通过组合不同的特征空间来构建混合特征空间，以克服特定特征空间的缺点，从而减少遗漏恶意软件的机会。最后，混合特征空间用于训练多层感知器，其分类所有九种不同的恶意软件家族。实验结果表明，建议DLMD技术实现了10个独立运行的对数损失为0.09。此外，建议DLMD技术的性能进行比较，对不同的分类器，并显示其有效性分类恶意软件。相关代码和数据库可以在https://github.com/cyberhunters/Malware-Detection-Using-Machine-Learning上找到。
2020-12-26 cs.CR cs.LG
Dynamic Malware Analysis with Feature Engineering and Feature Learning
School of Computing（计算机学院）；National University of Singapore（新加坡国立大学）
动态恶意软件分析在隔离环境中执行程序，并监视其运行时行为（例如系统API调用）以进行恶意软件检测。这种技术已经被证明是有效的对各种代码混淆技术和新发布的（“零日”）恶意软件。然而，现有的作品通常只考虑API名称而忽略参数，或者需要复杂的特征工程操作和专家知识来处理参数。在本文中，我们提出了一种新的和低成本的特征提取方法，和一个有效的深度神经网络架构，准确和快速的恶意软件检测。具体来说，特征表示方法利用特征散列技巧来编码与API名称相关联的API调用参数。深度神经网络架构应用多个门控CNN（卷积神经网络）来转换每个API调用的提取特征。输出通过双向LSTM（长短期记忆网络）进一步处理，以学习API调用之间的顺序相关性。实验表明，我们的解决方案优于基线显着在一个大的真实数据集。烧蚀研究对特征工程和体系结构设计有重要意义。
2020-01-24 cs.CR cs.LG
Android Malware Detection using Large-scale Network Representation Learning
近年来，随着移动设备和应用的不断发展，恶意软件的数量也在迅速增加，这就需要开发先进有效的恶意软件检测方法。传统的方法，如基于签名的方法，无法保护用户免受越来越多的新型恶意软件或快速恶意软件行为变化的影响。本文提出了一种基于深度学习和静态分析的Android恶意软件检测方法。我们不再只使用应用程序编程接口（API），而是进一步分析Android应用程序的源代码，并创建其更高级别的图形语义，这使得攻击者更难逃避检测。特别是，我们使用一个调用图的方法调用在Android应用程序来表示应用程序，并进一步分析方法属性，形成一个结构化的程序表示图（PRG）与节点属性。然后，我们使用图卷积网络（GCN）通过将整个图嵌入到密集向量中来产生应用程序的图表示，并对其是否是恶意软件进行分类。为了有效地训练这样的图卷积网络，我们提出了一个批量训练方案，允许多个异构图作为一批输入。据我们所知，这是第一个使用图表示学习进行恶意软件检测的工作。我们进行了广泛的实验，从现实世界的样本集合，并证明我们开发的系统优于其他多种现有的恶意软件检测技术。
2018-12-11 cs.CR
Enhancing the Insertion of NOP Instructions to Obfuscate Malware via Deep Reinforcement Learning
当前用于解决恶意软件检测和分类问题的最新研究集中在由机器学习驱动的系统的设计、实现和部署上，因为其能够推广到从未见过的恶意软件家族和多态突变。然而，已经表明，机器学习模型，特别是深度神经网络，缺乏对精心制作的输入（对抗性示例）的鲁棒性。在这项工作中，我们已经调查了一个国家的最先进的浅卷积神经网络恶意软件分类对死代码插入技术的脆弱性。我们提出了一个通用的框架，由双Q网络诱导错误分类的恶意软件家族。该框架通过卷积神经网络来训练代理，以选择代码序列中的最佳位置来插入死代码指令，使得机器学习分类器错误标记所得到的可执行文件。实验结果表明，该方法对Kelihos_ver3、Simda和Kelihos_ver1家族的样本的回避率均为100%，而分类器的分类准确率显著下降至56.53%.此外，与随机代理相比，错误标记恶意软件所需的平均指令数减少了33%。
2021-11-18 cs.CR
Monet: A User-oriented Behavior-based Malware Variants Detection System for Android
Android是最受欢迎的移动操作系统，拥有约78%的移动市场份额。由于其受欢迎程度，它吸引了许多恶意软件攻击。事实上，人们每季度都发现了大约一百万个新的恶意软件样本，据报道，这些新的恶意软件样本中有超过98%实际上是现有恶意软件家族的“衍生物”（或变体）。在本文中，我们首先表明，恶意软件的核心功能的运行时行为实际上是类似的恶意软件家族。因此，我们提出了一个框架，结合“运行时行为”与“静态结构”来检测恶意软件的变种。我们提出了MONET的设计和实现，它有一个客户端和一个后端服务器模块。客户端模块是一个轻量级的设备内应用程序，用于行为监控和签名生成，我们使用两种新颖的拦截技术实现这一点。后端服务器负责大规模恶意软件检测。我们收集了3723个恶意软件样本和前500个良性应用程序，以进行大量的实验，检测恶意软件变体和防御恶意软件转换。我们的实验表明，MONET在检测恶意软件变体方面可以达到99%左右的准确率。此外，它可以抵御10种不同的混淆和转换技术，而仅产生约7%的性能开销和约3%的电池开销。更重要的是，MONET会自动提醒用户入侵细节，以防止进一步的恶意行为。
2016-12-10 cs.CR
Virus-MNIST: A Benchmark Malware Dataset
PeopleTec, Inc.（PeopleTec公司）
这篇短文介绍了一个图像分类数据集，包括10种可执行代码和大约50，000个病毒示例。恶意类包括9个计算机病毒家族和一个良性组。可移植可执行文件（PE）的前1024个字节的图像格式反映了熟悉的MNIST手写数据集，因此大多数先前探索的算法方法可以通过微小的修改进行传输。恶意软件的9个病毒家族的指定来自类标签的无监督学习;我们发现排除非恶意示例的KMeans聚类的家族。作为使用深度学习方法（MobileNetV 2）的基准，我们发现当包含beneware时，病毒识别的总体准确率为80%。我们还发现，一旦发生积极的恶意软件检测（通过签名或识别），投影的前1024个字节到缩略图图像可以与87%的准确率分类的病毒类型。这项工作概括了其他恶意软件调查人员所证明的有前途的卷积神经网络，最初是为了解决图像问题而开发的，但应用于可执行文件中像素字节的新抽象域。数据集可以在Kaggle和Github上找到。
2021-02-28 cs.CR cs.LG
Malware Classification with Word Embedding Features
恶意软件分类是信息安全领域的一个重要而又具有挑战性的问题。现代恶意软件分类技术依赖于机器学习模型，这些模型可以根据操作码序列、API调用和字节$n$ -gram等特征进行训练。在这项研究中，我们考虑操作码功能。我们实现了混合机器学习技术，在这种技术中，我们通过训练隐马尔可夫模型（一种我们称为HMM 2 Vec的技术）来设计特征向量，并在这些操作码序列上嵌入Word 2 Vec。然后将得到的HMM 2 Vec和Word 2 Vec嵌入向量用作分类算法的特征。具体来说，我们考虑支持向量机（SVM）、$k$ -最近邻（$k$ -NN）、随机森林（RF）和卷积神经网络（CNN）分类器.我们对各种恶意软件家族进行了大量实验。我们的实验远远超出了这一领域以前的任何工作。
2021-03-03 cs.CL cs.CR cs.LG
IoT Malware Detection Architecture using a Novel Channel Boosted and Squeezed CNN
Pakistan Institute of Engineering & Applied Sciences（巴基斯坦工程与应用科学研究院）
设备、人和互联网之间的交互催生了一种新的数字通信模式--物联网（IoT）。这些智能设备的无缝网络是这种物联网模型的核心。然而，另一方面，集成智能设备以构成网络引入了许多安全挑战。这些联网设备造成了一个安全盲点，网络犯罪分子可以很容易地使用恶意软件扩散技术发动攻击，从而危及设备。因此，恶意软件检测被认为是物联网设备抵御网络攻击的生命线。这项研究提出了一种新的物联网恶意软件检测架构（iMDA）使用挤压和提升扩张卷积神经网络（CNN）。所提出的架构利用边缘和平滑，多路径扩张卷积运算，信道压缩和提升CNN的概念。边缘和平滑操作与分裂-变换-合并（STM）块一起使用，以提取恶意软件图像中的局部结构和微小对比度变化。STM块执行多路径扩张卷积操作，这有助于识别恶意软件模式的全局结构。此外，通道压缩和合并有助于得到突出的减少和多样化的特征图，分别。在STM块的帮助下，在初始、中间和最终级别应用通道压缩和提升，以捕获纹理变化以及深度，以便恶意软件模式狩猎。与定制的CNN模型相比，所提出的架构显示出了显著的性能。申报iMDA的准确度为97.93%，F1评分为0.9394，精密度为0.9864，MCC为0。8796，召回：0.8873，AUC-PR：0.9689和AUC-ROC：0.9938。
2022-02-08 cs.AI cs.CR
Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
Université Paris Cité（巴黎西岱大学）；Institut Polytechnique de Paris（巴黎理工学院）；Télécom Paris（巴黎电信学院）
Delphi Scanner利用CNN建模API序列并辅以规则层解释，在19万PE文件上达95.35%准确率，模型仅1.53MB，且对分布外样本和对抗攻击具有鲁棒性，为本地恶意软件分流提供高效可解释方案。
2026-09-18 cs.CR cs.LG
OpCode-Based Malware Classification Using Machine Learning and Deep Learning Techniques
Students, Cybersecurity and Threat Intelligence University of Guelph（学生、网络安全与威胁情报大学格雷夫斯普尔大学）
本研究分析基于OpCode序列的恶意软件分类，评估传统机器学习（n-gram+SVM/KNN/决策树）和深度学习（CNN）两种方法，结果显示SVM优于其他传统模型，CNN性能具竞争力且可自动提取特征。
2025-04-18 cs.CR cs.LG
A Wolf in Sheep's Clothing: Practical Black-box Adversarial Attacks for Evading Learning-based Windows Malware Detection in the Wild
本文提出黑盒对抗框架 MalGuise，通过语义保持的调用重划分与蒙特卡洛树搜索生成可执行对抗恶意软件，在检测系统和反病毒产品上验证了高规避成功率。
2024-07-03 cs.CR
A Natural Language Processing Approach to Malware Classification
San Jose State University（圣何塞州立大学）；Czech Technical University in Prague（布拉格捷克技术大学）
本研究提出一种结合隐马尔可夫模型与分类器的混合恶意软件分类方法，将HMM隐状态作为NLP风格特征，在恶意软件数据集上优于现有主流技术，其中HMM-随机森林效果最佳。
2023-07-07 cs.CR cs.LG
HilEnT: Hilbert, Entropy Transformed Image Based Malware Detection
Cybersecurity Strategic Technology Centre, ST Engineering（网络安全战略技术中心，新加坡科技工程有限公司）
提出基于希尔伯特曲线变换与熵特征比较的恶意软件二进制到图像转换技术HilEnT，用机器学习检测，进行多分类评估，研究特征降维技术，在四个数据集上获最优结果。
2026-07-07 cs.CR
Analyzing CNN Based Behavioural Malware Detection Techniques on Cloud IaaS
Tennessee Technological University（田纳西理工大学）；Manhattan College（曼哈顿学院）；University of North Carolina at Wilmington（北卡罗来纳大学威尔明顿分校）
云基础设施即服务（IaaS）由于暴露于外部对手而容易受到恶意软件的攻击，使其成为恶意行为者利润丰厚的攻击媒介。感染恶意软件的数据中心可能会导致数据丢失和/或对其用户的服务造成重大中断。本文分析和比较了用于云IaaS中恶意软件在线检测的各种卷积神经网络（CNN）。检测是基于行为数据使用进程级性能指标，包括CPU使用率，内存使用率，磁盘使用率等，我们已经使用了最先进的DenseNets和ResNets有效地检测在线云系统中的恶意软件。CNN旨在从在真实云环境中运行的实时恶意软件收集的数据中提取特征。实验是在OpenStack（云IaaS软件）测试平台上进行的，该测试平台旨在复制典型的3层Web架构。对本研究中使用的不同CNN模型的不同度量进行了比较分析。
2020-02-15 cs.CR cs.LG stat.ML
Random CapsNet Forest Model for Imbalanced Malware Type Classification Task
T. C. Kadir Has University（卡迪尔哈斯大学）
恶意软件的行为根据恶意软件类型而变化。因此，了解恶意软件的类型会影响系统保护软件的策略。许多由机器和深度学习授权的恶意软件类型分类模型实现了预测恶意软件类型的卓越准确性。基于机器学习的模型需要进行大量的特征工程，而特征工程是影响模型性能的主要因素。另一方面，基于深度学习的模型比基于机器学习的模型需要更少的特征工程。然而，传统的深度学习架构和组件导致非常复杂和数据敏感的模型。与经典的卷积神经网络架构不同，胶囊网络架构最大限度地降低了这种复杂性和数据敏感性。提出了一种基于自举聚集技术的集成胶囊网络模型。该方法在两个恶意软件数据集上进行了测试，其最先进的结果是众所周知的。
2020-08-23 cs.CR cs.CV cs.LG
Image-Based Malware Classification Using QR and Aztec Codes
San Jose State University（圣何塞州立大学）
该研究提出将可执行文件特征转换为QR码与Aztec码的恶意软件分类方法，设计适配CNN架构，在两个数据集上实验发现其性能有优有劣，验证了该特征工程思路的应用潜力。
2024-12-11 cs.CR cs.LG
Lightweight IoT Malware Detection Solution Using CNN Classification
Qatar University（卡塔尔大学）
物联网（IoT）正变得越来越频繁地用于更多的应用中，因为连接的设备的数量正在快速增加。更多的连接设备在可扩展性、可维护性和最重要的安全性方面带来了更大的挑战，尤其是在5G网络方面。物联网设备的安全方面是一个新兴领域，这就是为什么它是本文的重点。多个物联网设备制造商出于不同的原因（如降低成本或避免使用能量收集组件）不考虑保护他们生产的设备。这种潜在的恶意设备可能被对手利用来进行多种有害攻击。因此，我们开发了一个系统，可以识别网络上特定物联网节点的恶意行为。通过卷积神经网络和监控，我们能够使用可以安装在网络内的中央节点为物联网提供恶意软件检测。这一成就表明，这些模型可以推广并轻松应用于任何网络，同时清除了有关深度学习技术的任何污名。
2020-10-21 cs.CR cs.LG
Multimodal Techniques for Malware Classification
San Jose State University（圣何塞州立大学）
本研究利用多模态机器学习方法，基于Windows PE文件不同部分提取的特征训练SVM、LSTM和CNN模型，并组合其输出概率，发现多模态模型优于基线，提高了恶意软件分类准确性。
2025-01-19 cs.CR cs.LG
Exploring Adversarial Examples in Malware Detection
University of Maryland, College Park（马里兰大学帕克分校）；FireEye, Inc.（火眼公司）
卷积神经网络（CNN）架构正越来越多地应用于新的领域，例如恶意软件检测，其中它能够从可执行文件中提取的原始字节中学习恶意行为。这些架构达到了令人印象深刻的性能，没有涉及功能工程的努力，但他们对主动攻击者的鲁棒性还有待了解。这样的恶意软件检测器可能会面临一个新的攻击向量，其形式是对分类模型的对抗性干扰。现有的规避攻击，旨在造成错误分类的测试时的实例，这已被广泛研究的图像分类器，是不适用的，因为输入语义，防止任意更改的二进制文件。本文探讨了恶意软件检测的对抗性示例领域。通过在生产规模数据集上训练现有模型，我们发现以前的一些攻击不如最初报告的有效，同时突出了有助于恶意软件分类的新攻击策略的架构弱点。最后，我们探讨了如何推广不同的攻击策略，权衡时，旨在提高其有效性，以及单步攻击的可转移性。
2019-04-13 cs.CR cs.LG stat.ML
XAI and Android Malware Models
San Jose State University（圣何塞州立大学）
针对安卓恶意软件检测中ML/DL模型的黑箱问题，本文将LIME、SHAP等XAI技术应用于SVM、CNN等模型，获取全局与局部解释结果并探讨其实用性，同时提供相关XAI工作的文献综述。
2024-11-25 cs.CR cs.LG
Data Augmentation for Opcode Sequence Based Malware Detection
Centre for Secure Information Technologies (CSIT)（安全信息技术中心（CSIT））；Queen’s University Belfast（贝尔法斯特女王大学）
在本文中，我们研究了数据增强的操作码序列为基础的Android恶意软件检测。数据增强已成功用于深度学习的许多领域，以显著提高模型性能。通常，数据增强模拟数据中的实际变化，以增加训练集的表观多样性。然而，对于基于操作码的恶意软件分析，如何应用数据增强并不立即清楚。因此，我们首先研究固定变换的使用，然后进展到自适应方法。我们提出了一种新的数据增强方法--自嵌入语言模型增强--它使用恶意软件检测网络自己的操作码嵌入层来测量操作码相似性以进行自适应增强。据我们所知，这是第一篇对基于操作码序列的Android恶意软件分类的不同增强方法进行系统研究的论文。
2022-03-31 cs.CR cs.CV cs.LG
Malware Classification Based on Image Segmentation
本文提出按节类别分割恶意软件灰度图像并将子图像作为多通道输入卷积神经网络进行分类的新方法，实验验证了其有效性并分析了宽度对齐对模型性能的影响。
2024-06-06 cs.CR
High-resolution Image-based Malware Classification using Multiple Instance Learning
University of Southampton（南安普顿大学）
本文提出一种基于高分辨率灰度图像和多示例学习的恶意软件家族分类方法，通过分块和注意力聚合有效对抗对抗性二进制扩充，在 Microsoft Malware Classification 数据集上准确率达 $96.6\%$。
2023-11-21 cs.CR cs.CV cs.LG
FEEBO: An Empirical Evaluation Framework for Malware Behavior Obfuscation
程序混淆在恶意软件创建者中越来越流行。客观地比较不同的恶意软件检测方法对混淆的弹性是具有挑战性的。据我们所知，没有一个共同的经验框架来评估恶意软件检测方法的弹性。行为混淆我们提出并实现了这样一个框架，混淆恶意软件二进制文件的可观察到的行为。为了评估框架的效用，我们用它来混淆已知的恶意软件二进制文件，然后调查不同的$n$ -gram为基础的检测方法的检测效果的影响。我们发现，我们的框架所采用的混淆转换显着影响这种检测方法的精度。因此，可以得出结论，几种基于$n$语法的方法对于这种简单的混淆没有弹性。
2015-02-13 cs.CR
Emulating malware authors for proactive protection using GANs over a distributed image visualization of dynamic file behavior
Symantec Corporation（赛门铁克公司）
恶意软件作者一直处于能够在部署有效载荷之前使用反恶意软件产品对抗测试和增强其恶意代码的优势。另一方面，反恶意软件开发人员和威胁专家没有主动调整反恶意软件产品以对抗零日攻击的特权。这使得恶意软件作者能够领先于反恶意软件产品，从根本上使双方玩的猫捉老鼠游戏产生偏见。在本文中，我们提出了一种方法，使基于机器学习的威胁防御模型能够通过调整深度生成对抗网络（GAN）来弥合这一差距，该网络扮演恶意软件作者的角色并生成新类型的恶意软件。GAN是在已知恶意软件行为的可逆分布式RGB图像表示上训练的，对API调用ngram序列和对应的术语频率进行编码。生成的图像表示合成恶意软件，可以将其解码回底层API调用序列信息。图像表示不仅被证明是一种通用的技术，结合必要的先验知识，利用卷积神经网络架构进行生成或判别建模，而且还作为一种可视化方法，方便手动软件或恶意软件分类，通过具有跨图像空间分布的各个API ngram信息。此外，我们还建议使用智能定义检测恶意软件的基础上感知散列这些图像。这样的散列可能比不携带任何有意义的相似性度量的加密散列更有效，因此不能很好地推广。
2018-07-30 cs.CR cs.LG stat.ML
BEACON: Behavioral Malware Classification with Large Language Model Embeddings and Deep Learning
Department of Computer Science（计算机科学系）；Sam Houston State University（萨姆霍茨州立大学）
BEACON 框架利用大语言模型从沙箱行为报告生成上下文嵌入，并结合一维 CNN 进行多类恶意软件分类，在 Avast-CTU Public CAPE 数据集上优于现有方法。
2025-09-18 cs.AI cs.CR cs.LG
Explainable Deep Learning Models for Dynamic and Online Malware Classification
本研究训练FFNN和CNN模型，结合SHAP、LIME和置换重要性等可解释性工具，对动态和在线环境中的恶意软件进行分类，并评估全局与局部解释，旨在提升模型决策的透明度与可解释性。
2024-04-18 cs.CR
Improving Malware Detection Accuracy by Extracting Icon Information
现在通常使用统计和机器学习模型来检测PE恶意软件文件。虽然这些模型通常使用从PE文件结构中提取的特征，但我们建议这些文件中的图标也可以帮助更好地预测恶意软件。我们提出了一个创新的机器学习方法来提取信息的图标。我们提出的方法包括两个步骤：1）使用摘要静态，梯度直方图（HOG）和卷积自动编码器提取图标特征，2）基于提取的图标特征聚类图标。使用公开的数据和使用机器学习实验，我们表明我们提出的图标集群显着提高恶意软件预测模型的功效。特别是，我们的实验表明，当在预测模型中使用图标集群时，平均准确率提高了10%。
2017-12-10 cs.CR stat.ML
Dynamic Malware Classification of Windows PE Files using CNNs and Greyscale Images Derived from Runtime API Call Argument Conversion
NIT Rourkela（鲁尔克拉国家理工学院）
本文提出一种动态恶意软件分类框架，通过提取Windows PE文件运行时的API调用参数并转换为时间模式，再利用magma色图生成灰度图像训练CNN模型，实现98.36%的平均准确率并对典型逃避策略具有显著韧性。
2025-05-30 cs.AI cs.CR cs.LG
MalFox: Camouflaged Adversarial Malware Example Generation Based on Conv-GANs Against Black-Box Detectors
深度学习是一个蓬勃发展的领域，目前充满了许多实际应用和活跃的研究课题。它允许计算机从经验中学习，并根据概念的层次结构来理解世界，每个概念都通过与更简单概念的关系来定义。依靠深度学习的强大功能，我们提出了一个名为MalFox的基于卷积生成对抗网络（Conv-GAN）的框架，目标是对抗第三方黑盒恶意软件检测器的对抗恶意软件示例生成。受恶意软件作者和恶意软件检测器之间的竞争游戏的激励，MalFox采用对抗性方法来产生扰动路径，每个路径由多达三种方法（即Obfusmal，Stealmal和Hollowmal）形成，以生成对抗性恶意软件示例。为了证明MalFox的有效性，我们收集了一个由恶意软件和善意软件程序组成的大型数据集，并在生成的对抗性恶意软件示例的准确性，检测率和规避率方面研究了MalFox的性能。我们的评估表明，准确率可以高达99.0%，显著优于其他12个著名的学习模型。此外，检测率平均大幅下降了56.8%，平均回避率显著提高了56.2%。
2022-06-06 cs.CR
Resilient and Adaptive Framework for Large Scale Android Malware Fingerprinting using Deep Learning and NLP Techniques
Android恶意软件检测是一个严重的问题，影响了现有市场中使用数百万Android应用程序（应用程序）的数十亿用户。本文提出了PetaDroid，一个准确的Android恶意软件检测和家庭聚类的框架上的静态分析。PetaDroid自动适应Android恶意软件和随着时间的推移与常见的二进制混淆技术的弹性良性变化。该框架采用了基于自然语言处理（NLP）和机器学习技术的新技术，以实现准确、自适应和弹性的Android恶意软件检测和家族聚类。PetaDroid使用卷积神经网络（CNN）的集成来识别恶意软件。该框架利用使用深度神经自动编码器生成的样本特征聚类将检测到的恶意软件样本聚类到恶意软件家族组中。为了适应变化，PetaDroid在部署过程中利用检测置信概率自动收集扩展数据集，并定期使用它们来构建新的恶意软件检测模型。此外，PetaDroid在训练过程中使用代码片段随机化，以增强对常见混淆技术的弹性。我们在多个参考数据集上广泛评估了PetaDroid。PetaDroid在不同的评估设置下实现了高检测率（98- 99%f1评分），在生成的聚类中具有高同质性（96%）。我们与最先进的解决方案MaMaDroid、DroidAPIMiner、MalDozer进行了彻底的定量比较，其中PetaDroid在所有评估设置下都优于它们。
2021-05-27 cs.CR
Attacks on Visualization-Based Malware Detection: Balancing Effectiveness and Executability
随着机器学习在图像分类中的快速发展，研究人员发现了可视化技术在恶意软件检测中的新应用。通过将二进制代码转换为图像，研究人员在应用机器学习提取难以手动发现的特征方面表现出令人满意的结果。这种基于可视化的恶意软件检测方法可以从许多不同的恶意软件家族捕获恶意软件模式，并提高恶意软件检测速度。另一方面，最近的研究也显示了针对这种基于可视化的恶意软件检测的对抗攻击。攻击者可以通过在不可到达的区域中扰动恶意软件二进制文件来生成对抗性示例，例如在二进制文件的末尾填充。或者，攻击者可以扰乱恶意软件图像嵌入，然后验证恶意软件转换后的可执行性。第一种攻击方案的一个主要限制是，简单的预处理步骤可以在分类之前去除扰动。对于第二种攻击场景，很难保持原始恶意软件的可执行性和功能。在这项工作中，我们提供现有的恶意软件可视化技术和攻击他们的文献综述。我们总结了以前的工作的局限性，并设计了一个新的对抗性的例子攻击基于可视化的恶意软件检测，可以逃避预处理过滤，并保持原来的恶意软件功能。我们在公共恶意软件数据集上测试了我们的攻击，并实现了98%的成功率。
2021-09-21 cs.CR
DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode
Luxembourg Institute of Science and Technology（卢森堡科学与技术研究院）；University of Luxembourg（卢森堡大学）
本文提出DexRay方法，将安卓DEX字节码转为灰度向量图像并用一维CNN检测恶意软件，在超15.8万应用上F1达0.96，为图像式恶意软件检测提供了简单有效且可扩展的基线。
2024-11-20 cs.CR cs.LG
Deceiving End-to-End Deep Learning Malware Detectors using Adversarial Examples
Dept. of Computer Science, Bar-Ilan University（巴伊兰大学计算机科学系）
近年来，深度学习在许多应用中表现出性能突破，如图像检测、图像分割、姿态估计和语音识别。然而，这带来了一个主要问题：深度网络被发现容易受到对抗性示例的影响。对抗性样本是经过轻微修改的输入，故意设计用于引起模型的错误分类。在图像和语音领域，修改是如此之小，以至于人类看不到或听不到，但仍然极大地影响了模型的分类。深度学习模型已成功应用于恶意软件检测。在这个领域中，生成对抗性示例并不简单，因为对文件字节的微小修改可能会导致其功能和有效性发生重大变化。我们引入了一种新的损失函数，用于生成专门针对离散输入集（如可执行字节）的对抗性示例。我们修改恶意的二进制文件，使他们将被检测为良性的，同时保留其原始功能，通过注入一个小的字节序列（有效载荷）的二进制文件。我们将这种方法应用于端到端卷积深度学习恶意软件检测模型，并显示出很高的检测规避率。此外，我们表明，我们生成的有效载荷是足够强大的，可以在同一文件的不同位置和不同的文件，它的熵是低的，类似于良性的数据部分。
2019-01-10 cs.CR cs.LG
A Visualized Malware Detection Framework with CNN and Conditional GAN
Khalifa University（哈利法大学）；Technology Innovation Institute (TII)（技术创新研究院）；University of Dubai（迪拜大学）
本研究提出结合CNN与条件GAN的恶意软件可视化检测框架，通过二进制像素映射保留样本特征并生成合成图像解决类别不平衡，在有无合成样本训练下准确率分别达98.51%和97.26%。
2024-09-22 cs.AI cs.CR cs.LG
Robust Neural Malware Detection Models for Emulation Sequence Learning
University of California at Santa Cruz（加州大学圣克鲁兹分校）；Microsoft Research（微软研究院）；Microsoft Corp.（微软公司）
恶意软件或恶意软件在计算机安全方面提出了不断发展的挑战。这些以恶意文件形式或隐藏在合法文件中的嵌入式代码片段会对能够运行恶意命令序列的系统造成重大风险。恶意软件作者甚至使用多态性来重新排序这些命令，并创建几个恶意变体。然而，如果在安全环境中执行，则可以对仿真命令序列执行早期恶意软件检测。本文中提出的模型利用通过仿真获得的顺序数据来执行神经恶意软件检测。这些模型通过从这些序列中学习恶意事件操作的存在和共同出现的模式来瞄准恶意操作的核心。我们的模型可以捕获整个事件序列，并直接使用已知的目标标签进行训练。这些端到端学习模型由两种常用的结构提供支持-长短期记忆（LSTM）网络和卷积神经网络（CNN）。以前提出的顺序恶意软件分类模型处理不超过200个事件。攻击者可以通过将任何恶意活动延迟到文件开头之后来逃避检测。我们提出了专门的模型，可以处理非常长的序列，同时成功地执行恶意软件检测，以有效的方式。我们提出了一个实现的卷积分割的长序列的方法，以解决这个漏洞，并操作长序列。我们在一个由634，249个文件序列组成的大型数据集上展示了我们的结果，这些文件序列非常长。
2018-06-28 cs.AI cs.CR cs.LG
On the Robustness of Malware Detectors to Adversarial Samples
Macquarie University（麦考瑞大学）
本文研究对抗性恶意软件在不同检测器间的可迁移性，发现针对单一检测器的对抗二进制文件通常难以迁移，集成检测可缓解威胁，而大幅规避改动还可能暴露攻击技术。
2024-08-05 cs.CR cs.LG
Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks
Northwestern Polytechnical University（西北工业大学）
提出将 Android 恶意软件特征转为灰度图像并用 WGAN 等生成合成数据增强 CNN 训练，实验表明其可提升检测性能 1.5%–7%，F1 最高达 0.975。
2024-03-05 cs.AI cs.CR
