Mitigating backdoor attacks in LSTM-based Text Classification Systems by Backdoor Keyword Identification
School of Computer Engineering and Science(计算机工程与科学学院);Shanghai University(上海大学)
事实证明,深度神经网络正面临着一种名为后门攻击的新威胁,攻击者可以通过毒化训练数据集将后门注入神经网络模型。当输入中含有某种称为后门的触发模式时,带有后门的模型将执行恶意任务,如攻击者指定的错误分类。在文本分类系统中,插入模型中的后门可能会导致垃圾邮件或恶意语音逃避检测。以往的工作主要集中在计算机视觉中的后门攻击的防御上,对于文本分类中的RNN后门攻击的防御方法研究较少。本文通过分析LSTM内部神经元的变化,提出了一种称为后门关键字识别(BKI)的防御方法,以减轻攻击者通过数据投毒对基于LSTM的文本分类进行的后门攻击。这种方法可以识别和排除中毒样本制作插入后门到模型中的训练数据,而无需验证和可信的数据集。我们评估我们的方法在四个不同的文本分类数据集:IMDB,DBpedia本体,20个新闻组和路透社-21578数据集。无论触发语句是什么,它都能实现良好的性能。
2021-03-15 cs.CR cs.LG stat.ML
One-Class Adversarial Nets for Fraud Detection
University of Arkansas(阿肯色大学);University of Oregon(俄勒冈大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
许多在线应用程序,如在线社交网络或知识库,经常受到恶意用户的攻击,这些用户会采取不同类型的行动,如在维基百科上进行破坏或在eBay上进行欺诈性评论。目前,大多数欺诈检测方法都需要包含良性和恶意用户记录的训练数据集。然而,在实践中,通常没有或很少有恶意用户的记录。在本文中,我们开发了一类对抗网络(OCAN),用于仅使用良性用户的训练数据进行欺诈检测。OCAN首先使用LSTM-Autoencoder从良性用户的在线活动序列中学习他们的表示。然后,它通过使用不同于常规GAN模型的互补GAN模型训练一个训练器来检测恶意用户。实验结果表明,我们的OCAN优于最先进的一类分类模型,并与最新的多源LSTM模型(在训练阶段需要良性和恶意用户)实现了相当的性能。
2018-06-05 cs.AI cs.CR cs.LG
ICSTrace: A Malicious IP Traceback Model for Attacking Data of Industrial Control System
University of Science and Technology of China(中国科学技术大学)
针对工业控制系统的攻击大多是有组织、有预谋的行为,IP追踪对于工业控制系统的安全具有重要意义。基于互联网的基础设施,我们开发了一个新的恶意IP追踪模型-ICSTrace,没有部署任何新的服务。该模型根据工业控制协议的格式从攻击数据中提取功能代码及其参数,并采用短序列概率方法将功能代码及其参数转化为一个向量,该向量表征恶意IP地址的攻击模式。此外,部分种子K-Means算法提出的模式的聚类,这有助于追溯到一个组织的攻击。基于大规模部署的工业控制系统蜜罐捕获的攻击数据对ICSTrace进行了评估,结果表明ICSTrace对工业控制系统中的恶意IP追踪是有效的。
2019-12-30 cs.CR cs.LG cs.NI
Tracing Target Answers in Poisoned Retrieval Corpora via Token Influence Attribution
National Yang Ming Chiao Tung University(阳明交通大学);IBM Research(IBM研究院);Hon Hai Research Institute(宏海研究院)
提出TRACE框架,通过令牌影响归因识别检索增强生成系统中的语料投毒攻击,无需额外分类器或LLM验证,在三个QA基准和六个LLM上验证了有效性。
2026-08-27 cs.CL cs.CR cs.IR
MBTree: Detecting Encryption RAT Communication Using Malicious Behavior Tree
网络跟踪特征匹配是检测活动远程控制木马的可靠方法之一。相对于在已知无线接入技术下基于特征的恶意网络痕迹检测,基于特征的方法可以实现更稳定的性能,从而具有更高的可靠性。然而,随着加密技术和伪装技术的发展,现有的方法存在签名描述不准确和匹配机制不灵活的问题。在本文中,我们提出了解决上述问题,提出MBTree,一种方法来检测加密RAT命令和控制(C&C)通信的基础上主机级的网络跟踪行为。MBTree首先通过从每个样本的不同网络轨迹自动构建多级树MLTree来将RAT网络行为建模为恶意集。然后,MBTree采用检测算法来检测与恶意集合中的任何MLTree相似的恶意网络踪迹。为了说明我们所提出的方法的有效性,我们采用理论分析的MBTree从概率的角度。此外,我们还实施了MBTree,以在五个数据集上对其进行评估,这些数据集以复杂的方式进行重组,以进行全面评估。实验结果表明,MBTree的准确性和鲁棒性,特别是在面对新出现的良性应用。
2021-04-06 cs.CR
Explainable Attention-Based LSTM Framework for Early Detection of AI-Assisted Ransomware via File System Behavioral Analysis
Institute of Management and Information Technology(管理与信息技术学院);Cisco Systems Inc.(思科系统公司);Dell Inc.(戴尔公司);LTM Limited(LTM有限公司)
本文提出一种可解释的注意力机制LSTM框架,通过分析文件系统行为模式,实现对AI辅助勒索软件的早期检测,具有高检测性能和低误报率。
2026-04-19 cs.CR
PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System
针对现有恶意软件动态检测开销高、忽略单样本行为差异的问题,提出基于ETW的自适应轨迹获取轻量实时检测系统PARIS,数据量减超98.8%,在保持检测准确率的同时大幅降低主机资源开销。
2024-11-02 cs.CR
WannaLaugh: A Configurable Ransomware Emulator -- Learning to Mimic Malicious Storage Traces
IBM Research Europe(IBM欧洲研究院);Texas A&M University(德克萨斯农工大学)
本文提出可配置勒索软件模拟器WannaLaugh,通过安全模仿勒索软件攻击生成存储I/O痕迹以训练机器学习检测模型,并可模拟现有勒索软件行为实现安全痕迹收集,推动机器学习驱动的勒索软件检测发展。
2024-06-12 cs.AI cs.CR
Neural Classification of Malicious Scripts: A study with JavaScript and VBScript
Microsoft Research(微软研究院);University of California, Santa Cruz(加州大学圣克鲁兹分校);Microsoft Corp.(微软公司)
恶意脚本是一种重要的计算机感染威胁媒介。我们的分析表明,两种最流行的恶意脚本类型包括JavaScript和VBScript。检测到的JavaScript攻击的百分比正在上升。为了解决这些威胁,我们研究了两种深度递归模型,LaMP(LSTM和Max Pooling)和CPoLS(长序列卷积分割),它们将JavaScript和VBScript作为字节序列处理。较低的层捕获这些字节序列的顺序性质,而较高的层将结果嵌入分类为恶意或良性。与之前提出的解决方案不同,我们的模型以端到端的方式进行训练,即使对于顺序处理层也允许进行区分训练。在296,274个JavaScript文件的大型语料库上评估这些模型表明,性能最好的LaMP模型具有65.9%的真阳性率(TPR),假阳性率(FPR)为1.0%。同样,最佳CPoLS模型在FPR为1.0%时的TPR为45.3%。LaMP和CPoLS在240,504个VBScript文件的集合上分别产生69.3%和67.9%的TPR,FPR为1.0%。
2018-05-15 cs.AI cs.CR
Reconstruction-based LSTM-Autoencoder for Anomaly-based DDoS Attack Detection over Multivariate Time-Series Data
Massey University(梅西大学);Central Queensland University(中央昆士兰大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织数据61研究所)
针对传统方法无法检测未见过的 DDoS 攻击问题,提出基于重构的 LSTM-AE 模型,通过学习流量时序相关性并利用重构误差识别异常,在反射型 DDoS 攻击检测中准确率超 99%。
2023-04-21 cs.CR cs.LG
Malware Detection with LSTM using Opcode Language
如今,随着互联网和软件行业的蓬勃发展,越来越多的恶意软件变体被设计用于执行各种恶意活动。传统的基于特征码的检测方法无法检测出恶意软件的变种。此外,大多数基于行为的方法需要一个安全和隔离的环境来执行恶意软件检测,这是容易受到污染。在本文中,类似于自然语言处理,我们提出了一种新的和有效的方法来执行静态恶意软件分析,它可以自动学习恶意软件的操作码序列模式。我们建议将恶意软件建模为一种语言,并评估这种方法的可行性。首先,利用反汇编工具IDA Pro获取恶意软件的操作码序列。然后利用词嵌入技术学习操作码的特征向量表示。最后,我们提出了一个用于恶意软件检测的两阶段LSTM模型,该模型使用两个LSTM层和一个均值池层来获得恶意软件操作码序列的特征表示。我们在包含969个恶意软件和123个良性文件的数据集上进行实验。在恶意软件检测和恶意软件分类方面,评估结果表明,我们提出的方法在最好的情况下可以分别实现平均AUC为0.99和平均AUC为0.987。
2019-06-10 cs.CR cs.SE
NtMalDetect: A Machine Learning Approach to Malware Detection Using Native API System Calls
Shanghai American School Puxi(上海美国学校浦西校区(注:此处仅提取机构名,校区信息为补充说明,若严格按要求提取到大学/学院级别,上海美国学校整体为机构,浦西为校区,按要求提取到学院/大学级别则为上海美国学校))
随着计算系统变得越来越先进,并且随着用户越来越多地参与技术,安全性从未成为更大的关注点。在恶意软件检测中,静态分析,即分析潜在恶意文件的方法,已经成为突出的方法。然而,随着恶意程序变得更加先进,并采用混淆其二进制文件的能力来执行相同的恶意功能,这种方法很快就达不到要求,这使得静态分析对于较新的变体变得非常困难。本文评估的方法是一种新的动态恶意软件分析方法,它可以比静态分析更好地推广到新的变种。受自然语言处理(NLP)最近成功的启发,通过对系统调用进行这种分析,在检测恶意软件中评估了广泛使用的文档分类技术,所述系统调用包含关于程序操作的有用信息,作为程序向内核发出的请求。所考虑的功能是从良性和恶意程序的系统调用痕迹中提取的,并且将这些痕迹分类的任务被视为系统调用痕迹的二进制文档分类任务。已处理系统调用跟踪以删除参数,从而只保留系统调用函数名称。特征被分成不同的n-gram,并使用词频-逆文档频率进行加权。本文表明,线性支持向量机(SVM)优化的随机梯度下降和传统的坐标下降的Wolfe对偶形式的SVM是有效的,实现了最高的96%的准确率和95%的召回分数。其他的贡献包括确定显着的系统调用序列,可能是进一步研究的途径。
2018-05-19 cs.CL cs.CR
Unsupervised Detection and Clustering of Malicious TLS Flows
恶意软件滥用TLS来加密其恶意流量,阻止通过内容签名和深度数据包检测进行检查。恶意TLS流的网络检测是一个重要但具有挑战性的问题。先前的工作已经提出了使用TLS特征的监督机器学习检测器。然而,通过尝试表示所有恶意流量,监督二进制检测器产生的模型过于松散,从而引入错误。此外,它们不区分由不同恶意软件生成的流。另一方面,有监督的多类检测器产生更紧密的模型,可以通过恶意软件家族对流进行分类,但需要家族标签,这对于许多样本来说是不可用的。为了解决这些限制,这项工作提出了一种新的无监督方法来检测和聚类恶意TLS流。我们的方法需要从沙箱输入网络跟踪。它使用90个功能来捕获TLS客户端,TLS服务器,证书和加密有效载荷的属性,并使用集群来构建一个无监督的检测器,可以将恶意流分配给它所属的集群,或者确定它是良性的。我们使用来自商业沙箱的972K跟踪和来自研究网络的35M TLS流来评估我们的方法。我们的聚类显示出非常高的精确度和召回率,F1得分为0.993。我们将我们的无监督检测器与两种最先进的方法进行比较,结果表明它优于两者。我们的检测器的错误检测率是0.032%,超过四个月的流量测量。
2022-12-23 cs.CR
iCNN-LSTM: A batch-based incremental ransomware detection system using Sysmon
本文提出iCNN-LSTM系统,通过Sysmon日志和批处理增量学习实现终端实时勒索软件检测,在高度不平衡数据上取得99.61%的平均F2分数,兼具高准确率与低延迟。
2025-01-02 cs.CR
Improving DGA-Based Malicious Domain Classifiers for Malware Defense with Adversarial Machine Learning
Tennessee Technological University(田纳西理工大学)
对手使用域生成算法(DGAs)在网络攻击期间建立命令和控制(C\&C)服务器通信。已知/识别的C\&C域的黑名单通常被用作防御机制之一。然而,由于黑名单是静态的,并且是通过基于签名的方法生成的,因此它们既不能跟上也不能检测到从未见过的恶意域名。由于黑名单域检查的这一缺点,机器学习算法已被用于在一定程度上解决该问题。然而,当使用有限的数据集进行训练时,算法可能无法检测到新的DGA变体。为了缓解这一弱点,我们成功地应用了一个基于DGA的恶意领域分类器,使用了长短期记忆(LSTM)方法和一种新的特征工程技术。我们的模型的性能表现出更高的准确性水平相比,以前报道的模型从以前的研究。此外,我们提出了一种新的方法,使用对抗性机器学习来生成以前从未见过的恶意软件相关的域家庭,可以用来说明机器学习算法在这方面的缺点。接下来,我们用新的样本来增强训练数据集,使得机器学习模型的训练在检测从未见过的恶意域名变体方面更有效。最后,为了保护恶意域名的黑名单不被泄露和篡改,我们设计了安全的数据容器,存储黑名单,并保证其免受敌对访问和修改。
2021-01-02 cs.AI cs.CR
Detecting unknown HTTP-based malicious communication behavior via generated adversarial flows and hierarchical traffic features
针对HTTP恶意通信检测泛化能力不足的问题,提出HMCD-Model模型,利用WGAN-GP生成对抗流量进行数据增强,并结合CNN和LSTM提取层次化时空特征,在多数据集上F1值平均提升20%以上,有效检测未知恶意通信。
2023-09-07 cs.CR cs.NI
DANTE: Predicting Insider Threat using LSTM on system logs
Rensselaer Polytechnic Institute(伦斯勒理工学院)
内部威胁是世界各地信息和通信技术(ICT)最有害的威胁载体之一,因为内部人员的信任和访问程度提高。这种类型的威胁可能来自有动机的恶意用户以及疏忽的用户,他们无意中泄露了有关商业机密、公司信息的详细信息,甚至向恶意玩家访问信息。在本文中,我们提出了一种新的方法,使用系统日志来检测内部行为使用一个特殊的递归神经网络(RNN)模型。使用DANTE建立地面实况,并将其用作识别异常行为的基线。为此,系统日志被建模为一个自然语言序列,并从这些序列中提取模式。我们创建遵循自然语言逻辑和控制流的动作序列的工作流。这些流被分配了各种行为类别-恶性或良性。任何与这些序列的偏差都表明存在威胁。我们进一步将威胁分类为CERT内部威胁数据集中提供的五个类别之一。通过实验评估,我们表明,该模型可以达到99%的预测精度。
2021-02-10 cs.AI cs.CR
Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems
University of MEDEA(迈迪亚大学);Faculty of Technology(技术学院);Faculty of Science(理学院)
针对物联网安全漏洞,提出CNN与LSTM结合的入侵检测系统,在CICIoT2023上训练并以CICIDS2017验证,实现98.42%准确率与98.57%的F1分数,有效增强物联网防护。
2024-05-28 cs.AI cs.CR
Tracking Temporal Evolution of Network Activity for Botnet Detection
California Institute of Technology(加州理工学院);Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
僵尸网络作为各种恶意活动的主要支持技术越来越普遍,如电子邮件垃圾邮件,点击欺诈,分布式拒绝服务(DDoS)攻击和加密货币挖掘。僵尸网络技术继续快速发展,使检测成为一个非常具有挑战性的问题。有一个强大的检测方法,是不敏感的一个特定的僵尸网络的特性,并在不同的僵尸网络类型的推广是一个根本的需要。我们提出了一种新的监督方法来检测恶意僵尸网络主机,通过使用基于神经网络架构的长短期记忆(LSTM)来跟踪主机的网络活动。我们建立了一个原型来证明我们的方法的可行性,在CTU-13数据集上进行评估,并将我们的性能与现有的检测方法进行比较。我们表明,我们的方法的结果在一个更普遍的,僵尸网络不可知的检测方法,是适合实时实施,并表现良好,与现有的方法相比,与96.2%的整体准确性得分。
2019-08-09 cs.CR cs.LG
Malicious code detection in android: the role of sequence characteristics and disassembling methods
本文研究Android恶意代码检测中反汇编方法和输入序列特征对模型准确率的影响,通过LSTM模型实验发现Apktool反汇编的数据集表现优于JEB和IDA。
2023-12-02 cs.CR
Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks
Badji Mokhtar Annaba University(巴吉·穆克塔尔·安纳巴大学);University of La Rochelle(拉罗谢尔大学);National Higher School of Technology and Engineering(国家技术与工程高等学院)
本研究提出一种结合LLMs与LSTM的主动网络入侵预测框架,利用微调GPT预测流量、微调BERT评估预测,并由LSTM识别恶意数据包,在CICIoT2023数据集上达到98%准确率,有效提升IoT网络安全。
2024-08-26 cs.AI cs.CR
Hybrid CNN-LSTM Framework for Intelligent Cyber Attack Detection and Prevention in U.S. Critical Digital Infrastructure: A Comparative Machine Learning Evaluation on CSE-CIC-IDS2018
Department of Computer Science, Maharishi International University(马哈拉吉国际大学计算机科学系);Department of Information Studies, Trine University(特林大学信息学系);Department of Business Information Systems, Central Michigan University(中央密歇根大学商业信息系统系)
提出一种结合CNN和LSTM的混合深度学习框架,利用CSE-CIC-IDS2018数据集进行网络攻击检测与防御,通过比较多种机器学习模型,实现高精度入侵检测和自动防御。
2026-06-04 cs.CR cs.LG
Network evasion detection with Bi-LSTM model
North China Electric Power University(华北电力大学)
针对链路层网络规避威胁,本文提出从数据帧提取关键特征,并用 Bi-LSTM 结合 Softmax 分类网络流,平均准确率达 96.1%。
2025-02-15 cs.AI cs.CR
Detecting Malicious Code by Exploiting Dependencies of System-call Groups
在本文中,我们提出了一个详细的基于图形的算法技术,有效的恶意软件检测。更确切地说,我们利用系统调用依赖图(或,简称ScD图),通过捕获污点分析痕迹和一组各种相似性度量,以检测未知的测试样本是一个恶意的或良性的。为了推广,我们决定通过将我们的检测技术应用于ScD图的加权有向图,对其顶点的不相交子集进行分组后,来增强我们的模型对强突变的能力。此外,我们已经开发了一个相似性度量,我们称之为NP相似性,它结合了定性,定量和相关特征,这些特征在已知恶意软件家族的成员中传播,以在恶意软件的图形表示和良性软件之间进行明确区分。最后,我们评估我们的检测模型,并将我们的结果与证明我们模型潜力的各种技术所取得的结果进行比较。
2014-12-30 cs.CR
Detection of Message Injection Attacks onto the CAN Bus using Similarity of Successive Messages-Sequence Graphs
现代汽车的智能功能是由许多电子控制单元(ECU)组件实现的,这些组件通过称为控制器局域网(CAN)总线的车载网络进行通信。根本的挑战是通信链路的安全性,其中攻击者可以注入消息(例如,提高速度),这可能会影响驾驶员的安全。开发有效的防御性安全解决方案取决于对ECU身份的了解,这是专有信息。本文提出了一种独立于ECU ID的消息注入攻击检测机制,该机制通过捕获消息序列中的模式来实现。首先,我们将给定时间间隔内消息的排序表示为有向图,并使用余弦相似性和皮尔逊相关性计算连续图的相似性。然后,我们应用阈值,变点检测和长短期记忆(LSTM)-递归神经网络(RNN)来检测和预测恶意消息注入CAN总线。使用从恶意RPM和速度读取消息注入下的移动车辆收集的数据集对方法进行评估,使用LSTM-RNN时的检测准确率为98.45%,使用阈值方法时为97.32%。此外,检测变化的速度对于RPM读取消息的注入的情况是快的,但是对于速度读取消息的注入的情况是慢的。
2021-04-09 cs.CR cs.SY eess.SY
Network Security Modeling using NetFlow Data: Detecting Botnet attacks in IP Traffic
网络安全,即对IP流量中恶意事件的安全监控,是一个统计学家基本上未探索的重要领域。计算机科学家在这一领域做出了重大贡献,他们使用统计异常检测和其他监督学习方法来检测特定的恶意事件。在这项研究中,我们调查僵尸网络命令和控制(C&C)主机在大量的IP流量的检测。我们使用NetFlow数据(IP流量监控的行业标准)进行探索性分析和提取新特征。使用统计以及深度学习模型,我们开发了一个统计入侵检测系统(SIDS),以预测与恶意攻击识别的流量轨迹。采用解释性机器学习技术,僵尸网络流量签名。这些模型成功检测到僵尸网络C&C主机和受损设备。通过将预测与已发布恶意IP地址的现有黑名单进行匹配,验证了结果。
2021-08-19 cs.CR
Generating Labeled Flow Data from MAWILab Traces for Network Intrusion Detection
在现代网络世界中,一个日益严重的问题是直接识别网络连接上的恶意活动。机器学习行业在过去几年中的蓬勃发展导致机器学习技术的使用越来越多,这在网络入侵检测研究社区中尤其普遍。在利用这些相当现代的技术时,社区已经意识到数据集对于识别恶意数据包和连接至关重要,特别是与标签相关的信息,以构建学习模型。然而,网络入侵检测社区的研究人员缺乏公开可用的相关数据集。因此,在本文中,我们介绍了一种方法来构建标记流数据相结合的数据包元信息与IDS日志来推断标签的入侵检测研究。具体来说,我们设计了一个NetFlow兼容的格式,因为大量的网络设备,如路由器和交换机,从原始流量导出NetFlow记录的能力。在这样做的过程中,所介绍的方法将帮助研究人员访问相关的网络流数据集以及标签信息。
2018-10-03 cs.CR cs.NI
MUD-PQFed: Towards Malicious User Detection in Privacy-Preserving Quantized Federated Learning
联邦学习(FL)是一种分布式机器学习范例,已被用于减轻客户的隐私问题。尽管它们很有吸引力,但有各种推理攻击可以利用共享明文模型更新来嵌入客户私人信息的痕迹,从而导致严重的隐私问题。为了缓解这个隐私问题,密码技术,如安全多方计算和同态加密已被用于隐私保护FL。然而,隐私保护FL中的这些安全问题是很难阐明和探索不足。这项工作是第一次尝试阐明执行模型腐败攻击的隐私保护FL轻量级秘密共享的基础上的琐碎。我们考虑在这种情况下,模型更新被量化以减少通信开销,对手可以简单地提供合法范围之外的本地参数来破坏模型。然后,我们提出了MUD-PQFed协议,它可以精确地检测恶意客户端进行攻击,并执行公平的惩罚。通过去除检测到的恶意客户端的贡献,全局模型效用被保留为与没有攻击的基线全局模型相当。大量的实验验证了保持基线准确性和以细粒度方式检测恶意客户端的有效性
2022-07-19 cs.CR
Detecting Abnormal Traffic in Large-Scale Networks
随着技术的快速进步,组织需要以低成本快速扩展其信息技术(IT)基础设施,即硬件,软件和服务。然而,网络服务和应用程序的动态增长产生了安全漏洞和新的风险,这些漏洞和风险可以被各种攻击所利用。例如,用户到根(U2R)和远程到本地(R2L)攻击类别可能会造成重大损害并使整个网络系统瘫痪。由于与正常流量的高度相似性,此类攻击不容易检测。网络异常检测系统被广泛用于恶意流量的分类和检测,但在不平衡数据集中发现和识别少数攻击存在许多挑战。在本文中,我们对现有的机器学习(ML)方法进行了详细而系统的分析,这些方法可以解决大多数这些攻击。此外,我们提出了一个基于深度学习(DL)的框架,使用长短期记忆(LSTM)自动编码器,可以准确地检测网络流量中的恶意流量。我们在一个公开的入侵检测系统(IDS)数据集进行实验。与其他基准测试方法相比,我们在攻击检测方面获得了显着的改进。因此,我们的方法在保护这些网络免受恶意流量侵害方面提供了很大的信心。
2020-08-13 cs.CR cs.NI
Learning Malware Representation based on Execution Sequences
随着恶意软件的数量和类型急剧增加,恶意软件分析已经被广泛研究。然而,大多数以前的研究使用端到端系统来检测样本是否是恶意的,或者识别其恶意软件家族。在本文中,我们提出了一个神经网络框架组成的嵌入器,编码器和过滤器,学习恶意软件表示的特征执行序列的恶意软件家族分类。嵌入器使用最先进的嵌入模块BERT和Sent2Vec来捕获执行跟踪中单个API调用内和连续API调用之间的关系。该编码器包括用于保持API调用的顺序位置的门控递归单元(GRU)和用于比较API调用的不同位置之间的内部关系的自注意力机制。过滤器识别代表性API调用以构建恶意软件表示。我们进行广泛的实验,以确定个别框架组件的影响。结果表明,所提出的框架优于基线,并且还表明,考虑Sent2Vec来学习完整的API调用嵌入和GRU来显式地保留序数信息,可以产生更多的信息,从而实现显著的改进。此外,所提出的方法有效地分类新的恶意执行痕迹与以前收集的家庭的相似性的基础上。
2021-02-05 cs.CR cs.LG
Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations
School of Computer Science, Northumbria University(北约翰·纽卡斯尔大学计算机科学学院);School of Computing, Engineering & Digital Technologies, Teesside University(泰赛德大学计算、工程与数字技术学院);Mukesh Patel School of Technology, Management, and Engineering, NMIMS University(NMIMS大学穆凯什·帕特尔技术、管理与工程学院)
本文提出结合显式和隐式图表示与Bi-LSTM的时间建模方法,用于提高内部威胁检测的准确性和鲁棒性。
2025-12-20 cs.AI cs.CR
PuppetDroid: A User-Centric UI Exerciser for Automatic Dynamic Analysis of Similar Android Applications
恶意移动应用程序的流行度和复杂性正在上升,这使得分析变得困难和劳动密集型。移动应用程序分析确实与桌面应用程序分析有本质的不同:在后者中,用户的交互(即,受害者)对于恶意软件正确暴露其所有恶意行为至关重要。我们提出了一种新的方法来分析(恶意)移动应用程序。目标是练习Android应用程序的用户界面(UI),以有效地自动触发恶意行为。我们的关键直觉是记录和再现恶意软件的潜在受害者的UI交互,以便在动态分析期间刺激相关行为。为了使我们的方法具有可扩展性,我们自动在与原始应用程序相似的应用程序上重新执行记录的UI交互。这些特点使我们的系统正交和互补,目前的动态分析和UI行使的方法。我们开发了我们的方法,并通过实验表明,我们的刺激可以达到比自动UI练习器更高的代码覆盖率,从而揭示使用其他方法时不会暴露的有趣的恶意行为。我们的方法也适用于众包场景,这将进一步推动新刺激轨迹的收集。这可能会改变我们对(移动)应用程序进行动态分析的方式,从完全自动化到以用户为中心和协作。
2014-02-19 cs.CR
MCGMark: An Encodable and Robust Online Watermark for Tracing LLM-Generated Malicious Code
本文提出MCGMark,一种可编码且鲁棒的在线水印方法,通过控制令牌选择和结构感知嵌入,在DeepSeek-Coder上实现88.9%嵌入成功率,用于追踪LLM生成的恶意代码。
2025-04-21 cs.CR cs.SE
Automatic Malware Description via Attribute Tagging and Similarity Embedding
Sophos AI(Sophos人工智能);FireEye(火眼公司)
随着恶意软件(malware)的快速扩散和日益复杂,检测方法不再仅仅依赖于手动生成的签名,而是还结合了更通用的方法,如机器学习检测。虽然这些方法对于判定恶意工件是强大的,但是它们不产生关于已经检测到的威胁类型的任何进一步信息,也不允许识别恶意软件样本之间的关系。在这项工作中,我们解决了机器学习和基于签名的检测方法之间的信息差距,通过学习一个表示空间的恶意软件样本中,具有类似的恶意行为的文件出现接近对方。我们通过引入一个基于深度学习的标记模型来实现这一点,该模型经过训练,可以生成人类可解释的恶意软件语义描述,同时提供比恶意软件家族名称更有用和灵活的信息。我们表明,所提出的方法生成的恶意软件描述正确识别超过95%的11个可能的标签描述为一个给定的样本,在部署的误报率为1%的标签。此外,我们使用学习的表示空间来引入恶意软件文件之间的相似性指数,并根据经验证明使用文件执行的动态跟踪,这不仅在识别来自相同家族的样本时更有效,而且比基于原始特征向量的样本小32倍。
2020-01-23 cs.CR cs.LG stat.ML
Advanced Trace Pattern For Computer Intrusion Discovery
基于恶意软件入侵的犯罪数量永远不会停止,因为恶意软件变体的数量正在急剧增长,互联网的使用正在全球范围内扩大。恶意代码很容易获得,并被用作非法达到其目的的武器之一。因此,在本研究中,不同的日志从不同的OSI层探索,以确定攻击者和受害者日志上留下的痕迹,以建立蠕虫跟踪模式,以抵御攻击,并帮助揭示真正的攻击者或受害者。针对本文的目的,重点介绍了恶意软件入侵和传统蠕虫即震荡波蠕虫变种。痕迹模式的概念是通过融合攻击者和受害者的视角而产生的。因此,本文的目的是提出一个通用的蠕虫跟踪模式的攻击者,受害者和多步骤(攻击者/受害者)的结合两个角度。这三种蠕虫追踪模式可以推广到警报关联和计算机取证等研究领域。
2010-06-23 cs.CR
Sample-Efficient LLM-Based Detection of Malicious Web Server Logs with Forensically Explainable Reasoning
University of Tuebingen(图宾根大学)
提出CEF-Log策略,通过五步推理模板使大语言模型学习日志分析方法,在CSIC 2010数据集上仅用4个示例达到F1=0.99,样本效率提升10倍,并引入新数据集ForenWebLog。
2026-06-07 cs.AI cs.CR
Benchmarking Security Risk Detection and Verification in Open Agentic Skill Ecosystems
University of Texas at El Paso(德克萨斯理工大学);Southern Illinois University-Carbondale(南方伊利诺伊大学卡本代尔分校);Purdue University(普渡大学)
提出SkillVetBench,一个两阶段安全审查基准,通过语义审查和沙箱执行检测与验证开放智能体技能生态系统中的恶意技能。
2026-05-30 cs.AI cs.CR
Coding Malware in Fancy Programming Languages for Fun and Profit
本研究揭示防病毒静态分析依赖严格签名,恶意软件作者改用冷门编程语言可大幅规避检测,并分析了这些语言引入的特征与检测难题。
2025-03-24 cs.CR
Digital Investigation of PDF Files: Unveiling Traces of Embedded Malware
在过去十年中,恶意软件(或简称恶意软件)在蓬勃发展的地下经济的推动下,表现出越来越复杂和扩散,以应对现代防御机制的日益复杂。PDF文档是用于传播恶意软件的主要载体之一,这要归功于其结构的灵活性和嵌入不同类型内容的能力,从图像到JavaScript代码。尽管研究和工业界做出了许多努力,PDF恶意软件仍然是网络安全领域的主要威胁之一。在本文中,我们提供了一个概述,目前的攻击技术,用于传达PDF恶意软件,并讨论国家的最先进的PDF恶意软件分析工具,提供有价值的支持,数字取证调查。最后,我们讨论了目前的防御机制的局限性和开放的问题,并勾勒出一些有趣的未来研究方向。
2017-07-17 cs.CR
IT Intrusion Detection Using Statistical Learning and Testbed Measurements
Dept. of Computer Science, KTH Royal Institute of Technology, Sweden(计算机科学系,皇家理工学院,瑞典)
本文提出利用统计学习方法,如HMM和LSTM,通过测试平台测量数据实现对IT入侵的检测,评估不同模型在预测攻击开始时间、类型和动作序列中的效果。
2025-12-22 cs.CR cs.LG
Beyond Detection: A Comprehensive Benchmark and Study on Representation Learning for Fine-Grained Webshell Family Classification
Feijiang Han(韩菲江)
本文提出自动化WebShell家族分类方法,通过动态函数调用轨迹和图结构抽象,评估多种表示方法以提升细粒度分类效果。
2025-12-04 cs.AI cs.CR cs.LG
DeepCatra: Learning Flow- and Graph-based Behaviors for Android Malware Detection
随着Android恶意软件的不断发展和演变,深度学习已被引入恶意软件检测中,产生了巨大的效果。最近的工作正在考虑混合模型和多视图学习。然而,它们只使用简单的特征,限制了这些方法在实践中的准确性。在本文中,我们提出了DeepCatra,一种用于Android恶意软件检测的多视图学习方法,其模型由双向LSTM(BiLSTM)和图神经网络(GNN)组成。这两种方法都依赖于从静态计算的调用跟踪中提取的特征,这些特征导致了从公共漏洞中派生出的关键API。对于每个Android应用程序,DeepCatra首先构建其调用图并计算到达关键API的调用跟踪。然后,BiLSTM子网使用的时间操作码特征从调用跟踪中提取,而GNN子网使用的流图特征从所有调用跟踪和组件间通信中构建。我们通过将DeepCatra与几种最先进的检测方法进行比较来评估其有效性。在超过18,000个真实世界的应用程序和流行的恶意软件上的实验结果表明,DeepCatra实现了相当大的改进,例如,F1测量值为2.7%至14.6%,这证明了DeepCatra在实践中的可行性。
2022-07-16 cs.CR
Command & Control (C2) Traffic Detection Via Algorithm Generated Domain (Dga) Classification Using Deep Learning And Natural Language Processing
Universidade Federal do Mato Grosso do Sul(南马托格罗索联邦大学)
本文利用深度学习和自然语言处理技术,提出了一种检测DGA域的方法,通过训练LSTM模型实现了97.2%的准确率,有效识别复杂模式并降低误报率。
2025-11-26 cs.AI cs.CR cs.LG
Autoencoder-based Unsupervised Intrusion Detection using Multi-Scale Convolutional Recurrent Networks
网络流量数据的大量增长导致了大量的数据集。标记这些数据集以识别入侵攻击是非常费力且容易出错的。此外,网络流量数据具有复杂的时变非线性关系。现有的最先进的入侵检测解决方案使用各种监督方法的组合以及基于流量数据中的相关性的融合特征子集。这些解决方案通常需要很高的计算成本,手动支持微调入侵检测模型,并标记限制网络流量实时处理的数据。无监督解决方案确实减少了标记数据的计算复杂性和手动支持,但当前的无监督解决方案没有考虑交通数据中的时空相关性。为了解决这个问题,我们提出了一种基于多尺度卷积神经网络和长短期记忆(MSCNN-LSTM-AE)相结合的统一自动编码器,用于网络流量中的异常检测。该模型首先采用多尺度卷积神经网络自动编码器(MSCNN-AE)对数据集的空间特征进行分析,然后采用基于长短期记忆(LSTM)的自动编码器网络对数据集的时间特征进行处理。我们的模型进一步采用两个隔离森林算法作为纠错机制来检测假阳性和假阴性,以提高检测精度。此外,协方差矩阵形成自然嵌入有距离度量的黎曼流形,其促进用于检测恶意网络流量的描述性模式。我们评估了我们的模型NSL-KDD,UNSW-NB 15和CICDDoS 2019数据集,并表明我们提出的方法显着优于传统的无监督方法和其他现有的数据集研究。
2022-04-07 cs.CR
LMDG: Advancing Lateral Movement Detection Through High-Fidelity Dataset Generation
提出LMDG框架,通过自动化良性活动生成、多阶段攻击执行和进程树标注技术,生成高保真横向移动数据集,支持细粒度攻击标注,提升检测模型评估效果。
2025-08-04 cs.CR
Multi-phase IRC Botnet and Botnet Behavior Detection Model
僵尸网络被认为是网络和互联网面临的最危险和最严重的安全威胁之一。与其他安全威胁相比,僵尸网络成员可以通过IRC和HTTP等常见协议,甚至通过隐蔽和未知的应用程序,通过僵尸主机的C&C消息进行定向和控制。至于IRC僵尸网络,一般的安全实例,如防火墙和IDS,本身并不能提供一个可行的解决方案来完全阻止它们。这些设备不能很好地区分IRC协议的合法和恶意流量。因此,本文提出了一种基于入侵检测系统的多阶段IRC僵尸网络和僵尸网络行为检测模型,该模型基于C&C响应消息和网络环境中IRC僵尸程序的恶意行为。该模型已被评估五个网络流量跟踪从两个不同的网络环境(虚拟网络和DARPA 2000 Windows NT攻击数据集)。实验结果表明,该模型能够检测出所有受感染的IRC僵尸网络成员,并报告其当前的攻击状态,过滤其恶意IRC消息,传递其他正常IRC消息,检测出僵尸网络行为,且误报率很低,与僵尸网络通信协议无关。所提出的模型进行了比较与一些现有的和众所周知的方法,包括BotHunter,BotSniffer和Rishi关于僵尸网络的特点,在每种方法。比较表明,所提出的模型在比较模型上取得了进步,不依赖于特定的时间窗口或特定的机器人签名。
2015-01-13 cs.CR