Review of Deep Learning-based Malware Detection for Android and Windows System
Chosun University（朝鲜大学）
本文综述了分别针对Windows和Android系统的两种AI赋能恶意软件检测技术，二者在检测多种恶意软件家族时均达到完美准确率，证明AI方法能有效对抗具备混淆能力的现代恶意软件。
2023-07-04 cs.CR cs.LG
Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection
University of Genova（热那亚大学）；University of Cagliari（卡利亚里大学）；RINA Consulting S.p.A.（RINA咨询公司）
本研究探讨了将基于签名的检测纳入AI系统训练管道对Windows恶意软件检测模型的影响，发现该方法能提升对抗规避程序和时间漂移的鲁棒性，但会增加误报下限。
2025-08-13 cs.AI cs.CR
Enhancing Decision-Making in Windows PE Malware Classification During Dataset Shifts with Uncertainty Estimation
Department of Computer and Information Sciences, Northumbria University（计算机与信息科学系，北诺克萨大学）；School of Computing, Engineering & Digital Technologies, Teesside University（计算、工程与数字技术学院，泰赛大学）
通过整合基于集合的不确定性估计，提升在数据集偏移期间Windows PE恶意软件分类的决策可靠性。
2025-12-20 cs.AI cs.CR
Practical Attacks on Machine Learning: A Case Study on Adversarial Windows Malware
University of Cagliari（卡利亚里大学）；Pluribus One（Pluribus One公司）；University of Genova（热那亚大学）
虽然机器学习容易受到对抗性示例的影响，但它仍然缺乏系统的程序和工具来评估其在不同应用环境中的安全性。在本文中，我们将讨论如何使用实际攻击开发机器学习的自动化和可扩展的安全评估，并报告Windows恶意软件检测的用例。
2022-07-12 cs.CR cs.LG
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
EarlyMalDetect: A Novel Approach for Early Windows Malware Detection Based on Sequences of API Calls
提出EarlyMalDetect，利用Transformer和注意力循环网络分析API调用序列，在恶意软件执行早期预测其行为，以预防零日威胁。
2024-07-18 cs.CR
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
Semantic-preserving Reinforcement Learning Attack Against Graph Neural Networks for Malware Detection
Penn State University（宾夕法尼亚州立大学）；Pusan National University（釜山国立大学）；Fudan University（复旦大学）
随着越来越多的基于深度学习的恶意软件扫描器被提出，现有的规避技术，包括代码混淆和多态恶意软件，被发现是不太有效的。在这项工作中，我们提出了一个基于强化学习的语义保持（即功能保持）攻击黑盒GNN（图形神经网络）的恶意软件检测。通过语义Nops插入生成对抗性恶意软件的关键因素是选择合适的语义Nops及其对应的基本块。所提出的攻击使用强化学习来自动做出这些“如何选择”的决定。为了评估攻击，我们训练了两种GNN，它们有五种类型（即，后门，木马下载器，木马勒索，广告软件和蠕虫）的Windows恶意软件样本和各种良性的Windows程序。测试结果表明，该攻击方法的规避率明显高于三种基本攻击方法，即保持语义的随机指令插入攻击、保持语义的累积指令插入攻击和保持语义的基于梯度的指令插入攻击.
2022-03-16 cs.AI cs.CR
Intra-Section Code Cave Injection for Adversarial Evasion Attacks on Windows PE Malware File
本研究提出节内代码洞穴注入的Windows PE恶意软件对抗规避方法，搭配代码加载器保留恶意软件功能，针对MalConv和MalConv2检测器实现了远高于追加式攻击的规避率。
2024-03-11 cs.CR
Evasive Windows Malware: Impact on Antiviruses and Possible Countermeasures
反病毒和恶意软件之间的永久对立导致双方不断发展。一方面，反病毒软件提供了越来越复杂的解决方案，除了传统的签名分析之外，还提出了更复杂的检测技术。这种复杂性导致反病毒在它们保护的机器上留下更多的痕迹。为了尽可能长时间地保持未被检测到，恶意软件可以通过追踪防病毒软件留下的修改来避免在这样的环境中执行。本文旨在确定恶意软件检测防病毒的可能性，然后评估这些技术在当今最常用的防病毒面板上的效率。然后，我们收集样本显示这种行为，并提出评估的对策，创造虚假的文物，从而迫使恶意软件逃避。
2020-09-25 cs.CR
Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples
针对Windows恶意软件检测中的概念漂移问题，提出利用图神经网络与对抗性域适应学习漂移不变特征的新方法，显著提升了在少量样本下对真实漂移恶意软件的检测与分类性能。
2024-12-19 cs.CR
Functionality-preserving Black-box Optimization of Adversarial Windows Malware
基于机器学习的Windows恶意软件检测器很容易受到对抗性示例的攻击，即使攻击者只被授予对模型的黑盒查询访问权限。这些攻击的主要缺点是：（i）它们是查询效率低的，因为它们依赖于迭代地将随机变换应用于输入恶意软件;以及（ii）它们还可能需要在优化过程的每次迭代时在沙箱中执行对抗性恶意软件，以确保其侵入性功能被保留。在本文中，我们克服了这些问题，提出了一个新的家庭的黑盒攻击，查询效率和功能保护，因为它们依赖于注入良性内容-这将永远不会被执行-无论是在恶意文件的末尾，或在一些新创建的部分。我们的攻击形式化为一个约束最小化问题，这也使得规避检测的概率和注入的有效载荷的大小之间的权衡进行优化。我们在两个流行的静态Windows恶意软件检测器上实证研究了这种权衡，并表明我们的黑盒攻击可以绕过它们，只需很少的查询和小的有效载荷，即使它们只返回预测的标签。我们还评估了我们的攻击是否转移到其他商业防病毒解决方案，并惊讶地发现，他们可以逃避，平均超过12个商业防病毒引擎。最后，我们讨论了我们的方法的局限性，其可能的未来扩展到目标恶意软件分类的基础上动态分析。
2021-02-18 cs.CR
Mitigating the Impact of Malware Evolution on API Sequence-based Windows Malware Detector
本文提出MME框架，通过API知识图和对比学习提升基于API序列的恶意软件检测器，有效缓解恶意软件演变带来的影响。
2025-11-21 cs.CR
Semantic Data Representation for Explainable Windows Malware Detection Models
本文提出PE恶意软件本体论，为Windows PE恶意软件提供统一语义表示，并发布语义化EMBER数据，通过概念学习案例研究验证了可解释恶意软件检测的可行性。
2025-09-25 cs.CR
MalDetConv: Automated Behaviour-based Malware Detection Framework Based on Natural Language Processing and Deep Learning Techniques
Windows的普及吸引了黑客/网络攻击者的注意，使Windows设备成为近年来恶意软件攻击的主要目标。几种复杂的恶意软件变体和反检测方法已得到显著增强，因此，传统的恶意软件检测技术已变得不那么有效。这项工作提出了MalBehavD-V1，一个新的行为数据集的Windows应用程序编程接口（API）调用提取良性和恶意软件的可执行文件使用的动态分析方法。此外，我们提出了MalDetConV，一个新的自动化的基于行为的框架，用于检测现有的和零日恶意软件攻击。MalDetConv使用基于文本处理的编码器将API调用的特征转换为深度学习模型支持的合适格式。然后，它使用卷积神经网络（CNN）和双向门控递归单元（CNN-BiGRU）自动特征提取器的混合来选择API调用的高级特征，然后将其馈送到完全连接的神经网络模块进行恶意软件分类。MalDetConv还使用了一个可解释的组件，该组件揭示了有助于最终分类结果的功能，有助于安全分析师的决策过程。使用我们的MalBehavD-V1数据集和其他基准数据集评估所提出的框架的性能。检测结果证明了MalDetConv在检测MalBehavD-V1、Allan和John、Brazilian和Ki-D数据集中的不可见恶意软件时，检测准确率分别为96.10%、95.73%、98.18%和99.93%。实验结果表明，MalDetConv在检测Windows设备上的…
2022-09-08 cs.CR
MalCL: Leveraging GAN-Based Generative Replay to Combat Catastrophic Forgetting in Malware Classification
Ewha Womans University（梨花女子大学）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本文提出MalCL系统，利用带特征匹配损失的GAN生成高质量重放样本，并结合基于隐藏表示的样本选择方案，在Windows和Android恶意软件分类中显著缓解灾难性遗忘，平均准确率较其他GR模型提升28%。
2025-01-02 cs.AI cs.CR
Predicting Vulnerability to Malware Using Machine Learning Models: A Study on Microsoft Windows Machines
Atraco（阿特拉科公司）；Concordia University（康考迪亚大学）
本研究基于 Microsoft Windows Defender 的大规模真实数据集，利用机器学习算法与特征工程开发预测模型，以准确预测计算机的恶意软件易感性，为企业环境提供主动防御策略。
2025-01-27 cs.CR cs.LG
On the Effectiveness of Adversarial Samples against Ensemble Learning-based Windows PE Malware Detectors
University of Information Technology（信息技术大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国家大学）
本文提出FeaGAN模型，结合GAN与深度Q网络RL模型，通过保持格式、可执行性和恶意性生成对抗样本，以提升对集成学习Windows PE恶意软件检测器的逃避能力。
2023-09-25 cs.CR cs.LG
Burning the Adversarial Bridges: Robust Windows Malware Detection Against Binary-level Mutations
Meta Inc.（Meta公司）；Visa Research（Visa研究院）；University of Central Florida（中佛罗里达大学）
本研究针对现有恶意软件检测系统易受二进制级对抗变异攻击的问题，提出三种预处理步骤缩减攻击面，并设计基于图的段依赖信息提取方案，在对抗攻击下仍保持较高检测准确率。
2023-10-05 cs.CR cs.LG
Difficult for Thee, But Not for Me: Measuring the Difficulty and User Experience of Remediating Persistent IoT Malware
消费者物联网设备可能遭受恶意软件攻击，并被招募到僵尸网络或更糟。有证据表明，向设备所有者提供解决物联网恶意软件的通用建议可能是成功的，但这并不能解释持续存在的物联网恶意软件的新形式。关于持久性恶意软件的了解较少，持久性恶意软件驻留在持久性存储中，需要有针对性的手动操作来删除它。本文介绍了消费者删除持久性物联网恶意软件的现场研究。我们与一家ISP合作，对比了760家客户在三种恶意软件类别中的修复时间：Windows恶意软件、非持久性物联网恶意软件和持久性物联网恶意软件。我们还联系了ISP客户，他们的网络连接存储设备上有持久的物联网恶意软件，特别是QSnatch。我们发现，持久性物联网恶意软件的平均感染持续时间比Windows或Mirai恶意软件高出许多倍; QSnatch在180天后的生存概率为30%，其中大多数（如果不是所有）其他观察到的恶意软件类型已被删除。对于受访的设备用户，QSnatch感染持续时间更长，因此显然更难摆脱，但参与者没有报告在遵循通知说明时遇到困难。我们看到两个因素驱动这一矛盾的发现：第一，大多数用户报告具有较高的技术能力。此外，我们还发现了这些任务的计划行为以及多次通知的必要性。我们的研究结果证明了外部干预对持久性恶意软件的重要性，因为自动扫描AV工具或电源周期，就像我们习惯于Windows恶意软件和Mirai感染一样，不会解决持久性物联网恶意软件感染。
2022-03-03 cs.CR cs.HC
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
Explainability Guided Adversarial Evasion Attacks on Malware Detectors
本文提出利用SHAP可解释性识别PE恶意软件中对MalConv检测决策影响最大的区域，并据此在最优位置注入对抗扰动以增强逃逸攻击效率。
2024-05-02 cs.CR
HyBIS: Windows Guest Protection through Advanced Memory Introspection
有效地保护Windows操作系统是一项具有挑战性的任务，因为大多数实现细节并不为公众所知。Windows一直是恶意软件的主要目标，这些恶意软件利用了许多错误和漏洞。最近的可信引导和额外的完整性检查使Windows操作系统不那么容易受到内核级rootkit的攻击。尽管如此，来宾Windows虚拟机正在成为越来越有趣的攻击目标。在这项工作中，我们介绍和分析了一种新的基于管理程序的内省系统（HyBIS），我们开发的保护Windows操作系统免受恶意软件和rootkit。该体系结构是有动机的和详细的，而有针对性的实验结果表明其有效性。与相关工作的比较突出了HyBIS的主要优势，如：有效的语义内省，支持64位架构和最新的Windows（8.x和10），先进的恶意软件禁用功能。我们相信，这里报告的研究工作将为Windows操作系统安全性的进一步发展铺平道路。
2016-01-22 cs.CR cs.OS
A Novel Reinforcement Learning Model for Post-Incident Malware Investigations
London Metropolitan University（伦敦都市大学）
本研究提出一种基于Q-learning和MDP的新型强化学习模型，用于优化事件后恶意软件取证调查，可自动识别内存转储中的恶意软件模式，经Windows模拟感染数据集测试，其检测率优于传统方法，后续需优化奖励系统与特征提取以适配更多恶意软件类型。
2025-01-12 cs.AI cs.CR
Updating Windows Malware Detectors: Balancing Robustness and Regression against Adversarial EXEmples
本文提出EXE-scanner插件，可在不引起性能退化的情况下链接到现有Windows恶意软件检测器以阻止对抗性EXEmples，并实证分析了更新检测器时准确率与退化之间的权衡。
2025-05-04 cs.CR
Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection
Università degli studi di Cagliari（卡利亚里大学）；FireEye, Inc.（火眼公司）；Pluribus One（Pluribus One公司）；Università degli Studi di Genova（热那亚大学）
最近的工作表明，对抗性Windows恶意软件样本-在本文中称为对抗性EXEmples-可以通过扰动相对较少的输入字节来绕过依赖于静态代码分析的基于机器学习的检测。为了保留恶意功能，以前的攻击要么向文件的现有非功能区域添加字节，可能会限制其有效性，要么需要运行计算要求很高的验证步骤，以丢弃在沙箱环境中无法正确执行的恶意软件变体。在这项工作中，我们通过开发一个统一的框架来克服这些限制，该框架不仅包含和概括了以前针对机器学习模型的攻击，而且还包括三种基于实用的、功能保留的操作的新攻击。这些攻击被命名为Full DOS、Extend和Shift，它们分别通过操纵DOS头、扩展DOS头和移动第一部分的内容来注入对抗性负载。我们的实验结果表明，这些攻击在白盒和黑盒情况下都优于现有的攻击，在规避率和注入的有效载荷大小方面实现了更好的权衡，同时还能够规避已被证明对以前的攻击具有鲁棒性的模型。为了便于我们的研究结果的可重复性，我们开源了我们的框架和所有相应的攻击实现，作为secml-malware Python库的一部分。我们通过讨论当前基于机器学习的恶意软件检测器的局限性以及基于将来自主题专家的领域知识直接嵌入到学习过程中的潜在缓解策略来结束这项工作。
2021-03-22 cs.CR cs.LG
ATWM: Defense against adversarial malware based on adversarial training
PLA Information Engineering University（中国人民解放军信息工程大学）
本文提出ATWM方法，通过预处理防御简单对抗样本并结合对抗训练，在不降低检测准确率的前提下提升恶意软件检测模型的对抗防御能力。
2023-07-11 cs.AI cs.CR
A Survey of Machine Learning Methods and Challenges for Windows Malware Classification
Booz Allen Hamilton（博思艾伦汉密尔顿）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
恶意软件分类是一个难题，机器学习方法已经应用了几十年。然而，进展往往是缓慢的，部分原因是在开发机器学习系统的所有阶段都存在一些独特的困难：数据汇集，标记，特征创建和选择，模型选择和评估。在本调查中，我们将回顾与恶意软件分类相关的一些当前方法和挑战，包括数据汇集、特征提取、模型构建和评估。我们的讨论将包括对该领域中基于机器学习的解决方案必须考虑的约束的思考，以及机器学习也可以提供解决方案的尚未解决的问题。本调查旨在为希望了解更多关于如何将机器学习应用于恶意软件问题的网络安全从业者提供有用的信息，并为数据科学家提供必要的背景知识，以应对这个独特复杂的空间中的挑战。
2020-11-15 cs.CR cs.LG stat.AP
Towards Generic Deobfuscation of Windows API Calls
了解恶意程序功能的一种常见方法是查看它调用了哪些API函数。为了使其程序的逆向工程复杂化，恶意软件作者部署API混淆技术，将其隐藏在分析人员的眼睛和反恶意软件扫描仪之外。这个问题可以通过使用动态分析来部分解决;也就是说，通过在受控环境中执行恶意软件样本并记录API调用。然而，知道虚拟机和沙箱的恶意软件可能会在没有显示任何恶意行为迹象的情况下终止。在本文中，我们介绍了一个静态分析技术，允许通用的去混淆的Windows API调用。该技术利用符号执行和隐马尔可夫模型从传递给API函数的参数预测API名称。我们最好的预测模型可以正确识别API名称，准确率为87.60%。
2020-12-05 cs.CR stat.AP
Breaking Windows Malware Detection: A Comprehensive Evaluation of Problem-Space Adversarial Robustness
University of Luxembourg（卢森堡大学）；University College London（伦敦大学学院）
本研究统一大规模评估了九种逃逸攻击对八款Windows恶意软件检测器的对抗鲁棒性，发现脆弱性取决于模型表示和攻击类型，最强攻击用更少变换获更高成功率，且对抗加固难以跨攻击迁移。
2026-09-29 cs.CR
Windows Malware Detector as a Compound AI System: Trade-Offs in Accuracy, Efficiency, and Adversarial Robustness
University of Genova（热那亚大学）；University of Cagliari（卡利亚里大学）
提出一种平衡检测性能、计算效率与对抗鲁棒性的复合人工智能系统评估方法，引入系统级威胁模型，实验表明可缩短训练时间并提升响应能力，同时为从业者提供部署指南。
2026-09-09 cs.CR
EXE-Bench: Ranking the Tradeoffs of AI-based Windows Malware Detectors for Real-World Usability
University of Genova（热那亚大学）；Artificial Intelligence Research Institute (IIIA-CSIC)（西班牙国家研究委员会人工智能研究所）；CTU in Prague（布拉格捷克技术大学）；Sapienza University（罗马大学）；University of Cagliari（卡利亚里大学）
研究旨在解决无法确定生产中部署何种基于人工智能的Windows恶意软件检测器的问题，开发EXE-Bench基准，评估性能、鲁棒性和计算开销并汇总为分数进行模型比较，强调部署后评估的不足，凸显特征工程知识的作用。
2026-07-28 cs.CR cs.LG
LFreeDA: Label-Free Drift Adaptation for Windows Malware Detection
针对Windows恶意软件检测中的概念漂移问题，提出无标签端到端自适应框架LFreeDA，结合恶意软件图像与CFG表示实现无标注漂移适配，性能接近全监督水平且匹配有标注的最优方法。
2025-11-18 cs.CR
Malytics: A Malware Detection Scheme
网络安全的一个重要问题是恶意软件分析。除了良好的精度和识别率，恶意软件检测方案还需要能够很好地概括新型恶意软件家族（即零日攻击）。重要的是，系统不需要过多的计算，特别是对于在移动设备上的部署。在本文中，我们提出了一种新的方案来检测恶意软件，我们称之为Malytics。它不依赖于任何特定的工具或操作系统。它提取任何给定二进制文件的静态特征，以区分恶意软件和良性软件。Malytics包括三个阶段：特征提取，相似性度量和分类。这三个阶段由一个具有两个隐层和一个输出层的神经网络实现。我们表明，特征提取，这是由tf -simhashing执行，是等价于一个特定的神经网络的第一层。我们评估了Malytics在Android和Windows平台上的性能。Malytics在这两个平台上的表现优于各种基于学习的技术以及个别最先进的模型。我们还表明，Malytics在解决零日恶意软件样本方面具有弹性和强大性。在应用的数据集中，Malytics在Android dex文件和Windows PE文件上的F1得分分别为97.21%和99.45%。还评估了Malytics的速度和效率。
2018-06-18 cs.CR
Data Augmentation Based Malware Detection using Convolutional Neural Networks
Simula Research Laboratory（西穆拉研究实验室）；Sukkur IBA University（苏库尔IBA大学）；Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）
最近，由于网络世界中恶意软件的不断增加，网络攻击已经被广泛地看到。这些攻击不仅对最终用户，而且对公司计算机系统造成不可逆转的损害。像WannaCry和Petya这样的勒索软件攻击专门针对机场等关键基础设施，并使运营流程无法运行。因此，它在体积、多功能性和复杂性方面引起了越来越多的关注。这种类型的恶意软件最重要的特征是，它们在从一台计算机传播到另一台计算机时会改变形状。由于标准的基于签名的检测软件无法识别这种类型的恶意软件，因为它们在每台受污染的计算机上具有不同的特征。本文旨在提供一种图像增强增强的深度卷积神经网络（CNN）模型，用于在变形恶意软件环境中检测恶意软件家族。本文的模型结构的主要贡献包括三个组成部分，包括图像生成从恶意软件样本，图像增强，最后一个是分类的恶意软件家族使用卷积神经网络模型。在第一个组件中，收集的恶意软件样本转换为二进制表示为3通道图像使用窗口技术。系统的第二个组件创建图像的增强版本，最后一个组件构建分类模型。在这项研究中，五种不同的深度卷积神经网络模型用于恶意软件家族检测。
2020-10-05 cs.AI cs.CR
A Static Malware Detection System Using Data Mining Methods
今天的一个严重威胁是恶意可执行文件。它的目的是破坏计算机系统，其中一些通过网络传播，而使用该系统的所有者不知情。两种方法已经得到了它，即基于签名的检测和基于启发式检测。这些方法对已知的恶意程序表现良好，但不能捕获新的恶意程序。不同的研究人员已经提出了使用数据采掘和机器学习来检测新的恶意程序的方法。与其他方法相比，基于数据采掘和机器学习的方法显示出良好的效果。本文提出了一种基于数据采掘技术的静态恶意软件检测系统，该系统采用了信息增益、主成分分析和三种分类器：SVM、J48和朴素贝叶斯。为了克服常用防病毒产品的不足，本文采用静态分析的方法提取Windows PE文件中有价值的特征。我们提取Windows可执行文件的原始特征，这些特征是PE头信息、DLL和Windows PE文件的每个DLL内的API函数。然后，通过计算原始特征的信息增益、调用频率，选择有价值的子集特征，再利用主成分分析对所选特征进行降维。采用机器学习和数据挖掘的思想，构建了一个静态恶意软件检测系统，检测率达到99.6%。
2013-08-13 cs.CR
A Decompilation-Driven Framework for Malware Detection with Large Language Models
本文提出基于大语言模型的反恶意软件检测框架，通过解编和微调提升恶意软件检测效果，但需持续更新以应对新型威胁。
2026-01-14 cs.AI cs.CR
On the impact of dataset size and class imbalance in evaluating machine-learning-based windows malware detection techniques
Cambridge Spark（剑桥星火）；The Open University（开放大学）
该项目的目的是收集和分析有关Microsoft Windows恶意软件发布结果的可比性和现实适用性的数据，更具体地说，数据集大小和测试数据集不平衡对测量的检测器性能的影响。一些研究人员使用较小的数据集，如果数据集大小对性能有显著影响，则很难比较已发表的结果。研究人员还倾向于使用平衡的数据集和准确性作为测试的指标。前者不是现实的真实代表，其中良性样本的数量明显超过恶意软件，而后者的方法被认为是不平衡问题的问题。该项目确定了两个关键目标，以了解数据集大小是否与测量的检测器性能相关，以防止对已发表结果进行有意义的比较，并了解已发表研究中报告的良好性能是否可以预期在现实世界的部署场景中表现良好。该研究的结果表明，数据集大小确实与测量的检测器性能相关，在某种程度上阻止了对已发表结果的有意义的比较，并且在不了解已发表结果的训练集大小-准确度曲线的性质的情况下，不应该仅仅基于准确度分数来得出方法之间的结论。结果还表明，高准确性分数并不一定转化为高真实世界的表现。
2022-06-13 cs.CR cs.LG
Optimizing Malware Detection in IoT Networks: Leveraging Resource-Aware Distributed Computing for Enhanced Security
针对物联网设备资源有限、现有恶意软件检测方法忽略资源约束的问题，提出一种资源与工作负载感知的分布式检测框架，通过轻量模型分析资源后动态分配或拆分分类器任务，实现9.8倍加速且检测准确率达96.7%。
2024-04-12 cs.CR cs.DC
Mal2GCN: A Robust Malware Detection Approach Using Deep Graph Convolutional Networks With Non-Negative Weights
Sharif University of Technology（谢里夫理工大学）
随着使用深度学习（DL）解决各种问题的步伐越来越快，保护这些模型免受攻击已成为研究人员的主要关注点之一。最近的研究表明，基于DL的恶意软件检测器容易受到对抗性示例的攻击。攻击者可以创建精心制作的对抗性示例，以逃避基于DL的恶意软件检测器。在本文中，我们提出了Mal2GCN，一个强大的恶意软件检测模型，使用函数调用图（FCG）表示的可执行文件结合图卷积网络（GCN）来检测Windows恶意软件。由于可执行文件的FCG表示比原始字节序列表示更鲁棒，因此许多提出的对抗性示例生成方法在规避Mal2GCN方面是无效的。此外，我们使用非负训练方法将Mal2GCN转换为单调非减函数，从而在理论上对附加攻击具有鲁棒性。然后，我们提出了一个黑盒源代码为基础的对抗性恶意软件生成方法，可用于评估恶意软件检测模型对现实世界的对手的鲁棒性。所提出的方法将对抗代码注入恶意软件源代码的各个位置，以逃避恶意软件检测模型。实验表明，非负权值的Mal2GCN在检测Windows恶意软件时具有较高的准确率，并且对恶意软件源代码中添加良性特征的对抗攻击具有较强的鲁棒性。
2022-03-12 cs.CR cs.LG
PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation
Purdue University（普渡大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Cisco Research（思科研究）
PhantomCall是一种黑盒攻击，通过注入虚拟函数扰动Windows PE恶意软件的函数调用图，在保留程序语义的同时规避三类恶意软件检测器，攻击成功率高且速度快，多数变体保留原恶意行为。
2026-09-02 cs.CR
MERLIN -- Malware Evasion with Reinforcement LearnINg
Orange Innovation（Orange创新研究院）；University of Caen Normandy（卡昂诺曼底大学）
除了基于签名和基于统计学的检测技术之外，机器学习（ML）还被广泛用于推广新的、从未见过的恶意软件（恶意软件）。然而，已经证明，ML模型可以通过欺骗分类器返回错误的标签来欺骗。例如，这些研究通常依赖于对基于梯度的攻击很脆弱的预测分数。在攻击者几乎没有关于恶意软件检测引擎的输出的信息的更现实的情况下，实现了适度的规避率。在本文中，我们提出了一种使用强化学习与DQN和REINFORCE算法的方法，以挑战两个最先进的基于ML的检测引擎（MalConv \& EMBER）和Gartner分类为领导者AV的商业AV。我们的方法结合了几个动作，修改Windows可移植执行（PE）文件，而不会破坏其功能。我们的方法还可以识别哪些操作执行得更好，并编译详细的漏洞报告，以帮助减轻规避。我们证明，REINFORCE实现了非常好的逃避率，即使在商业AV有限的可用信息。
2022-03-30 cs.AI cs.CR
A Survey on Cross-Architectural IoT Malware Threat Hunting
Simon Fraser University（西蒙菲莎大学）；Huawei Technologies Canada Company Ltd.（华为技术加拿大有限公司）
该综述梳理了跨架构IoT恶意软件检测与分类的最新进展，分析相关特征技术与机器学习模型，指出实际挑战及未来研究方向。
2023-06-09 cs.CR cs.LG
Addressing malware family concept drift with triplet autoencoder
本文提出一种结合三元组损失的有监督自编码器和DBSCAN算法的方法，通过构建清晰稳健的聚类来有效识别新出现的恶意软件家族，从而解决恶意软件检测中的概念漂移问题，并在Android和Windows数据集上验证了其显著提升效果。
2025-07-01 cs.CR
Malformer: A Multi-Modal Malware Detector Using Transformers
Tennessee Tech University（田纳西科技大学）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；North Carolina A&T State University（北卡罗来纳农业州立大学）
本研究提出四模态恶意软件检测模型Malformer，融合文本、图像、图形、音频表示，采用多模态Transformer融合，在201549个样本数据集上准确率98.3%，优于单/双模态检测器，为恶意软件防御提供稳健基础。
2026-08-20 cs.CR
The Power of MEME: Adversarial Malware Creation with Model-Based Reinforcement Learning
Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克理工大学电气工程学院）
本文提出 MEME 算法，结合恶意软件规避与模型提取，利用基于模型的强化学习对抗性修改 Windows 可执行文件并训练高一致性代理模型，在多个目标和杀毒产品上实现了 32-73% 的规避率，优于现有方法。
2023-08-31 cs.AI cs.CR
Antiforensic techniques deployed by custom developed malware in evading anti-virus detection
恶意软件和防病毒检测工具的功能都有所提高。恶意软件的目的是逃避检测，而防病毒是检测恶意软件。随着时间的推移，检测技术从简单的静态签名匹配反启发式分析发展到机器学习辅助算法。本文描述了恶意软件部署的几层防病毒规避措施，并对规避成功率进行了分析。本研究的科学贡献在于恶意软件使用的以下技术-用于识别Windows操作系统功能的新算法，新的自定义开发的混淆和去混淆例程以及在反启发式检测中使用USB和声音设备枚举。新的PE突变引擎促进了恶意软件静态签名的变化。在评估的下一阶段，反病毒引擎将测试恶意软件规避能力。本地安装的防病毒应用程序和两个多扫描程序在线引擎检查提交的恶意软件样本。论文检验了结果，并讨论了每种逃避技术的优点和缺点。
2019-06-14 cs.CR
Realizable Universal Adversarial Perturbations for Malware
Universität der Bundeswehr München（慕尼黑联邦国防军大学）；Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；King’s College London（伦敦国王学院）
机器学习分类器容易受到对抗性示例的影响--特定于输入的扰动会操纵模型的输出。通用对抗性扰动（Universal Adversarial Perturbations，UAPs）识别在输入空间中泛化的噪声模式，允许攻击者极大地扩展此类示例的生成。虽然UAP已经在计算机视觉以外的应用领域进行了探索，但在可实现的攻击（例如恶意软件）的特定上下文中，对其属性和影响知之甚少，其中攻击者必须满足具有挑战性的问题空间约束。在本文中，我们将探讨在恶意软件分类的背景下，UAP的挑战和优势。我们生成的序列的问题空间的转换，诱导UAP在相应的特征空间嵌入和评估其有效性在不同的恶意软件域。此外，我们提出了基于对抗训练的缓解措施，使用从问题空间转换中获得的知识，并与其他特征空间防御进行比较。我们的实验将白盒Android规避攻击的有效性限制在约20%，成本为约3% TPR和1% FPR。我们还展示了我们的方法如何适用于更严格的域，如Windows恶意软件。我们观察到，虽然特征空间中的对抗性训练必须处理大型且通常不受约束的区域，但问题空间中的UAP识别特定的漏洞，使我们能够更有效地强化分类器，将识别新的通用对抗性转换的挑战和相关成本转移回攻击者。
2022-02-02 cs.AI cs.CR
Explanation-Guided Backdoor Poisoning Attacks Against Malware Classifiers
Northeastern University（东北大学）；FireEye Inc.（火眼公司）；Xailient Inc.（Xailient公司）
用于基于机器学习（ML）的恶意软件分类的训练管道通常依赖于众包威胁源，从而暴露出自然的攻击注入点。在本文中，我们研究了基于特征的ML恶意软件分类器对后门中毒攻击的敏感性，特别关注具有挑战性的“干净标签”攻击，其中攻击者不控制样本标签过程。我们建议使用可解释的机器学习技术来指导相关特征和值的选择，从而以与模型无关的方式创建有效的后门触发器。使用多个参考数据集进行恶意软件分类，包括Windows PE文件，PDF和Android应用程序，我们展示了对各种机器学习模型的有效攻击，并评估了对攻击者施加的各种约束的影响。为了证明我们的后门攻击在实践中的可行性，我们为Windows PE文件创建了一个水印实用程序，保留了二进制文件的功能，我们利用类似的行为保留更改方法为Android和PDF文件。最后，我们实验了潜在的防御策略，并展示了完全防御这些攻击的困难，特别是当攻击与合法的样本分布相融合时。
2021-01-11 cs.CR cs.LG
Knowledge-Based Dataset for Training PE Malware Detection Models
本体是人类感兴趣的许多知识密集型领域的语义模式的标准。它们现在也变得越来越重要，直到最近才被亚符号表示和基于机器学习的数据处理所主导。一个这样的领域是信息安全，并且更具体地是恶意软件检测。我们提出PE恶意软件本体，提供了一个可重用的语义架构便携式可执行（PE，Windows二进制格式）的恶意软件文件。本体的灵感来自于EMBER数据集中的数据结构，目前它涵盖了用于静态恶意软件分析的数据。有了这个提议，我们希望实现：a）一个统一的语义表示的PE恶意软件数据集是可用的或将在未来公布;（b）适用性的符号，神经符号，或以其他方式解释的方法在PE恶意软件域，可能会导致改进的可解释性的结果，现在可能是由定义在本体中的术语的特点;和（c）通过联合发表语义处理的EMBER数据，包括分数数据集，也提高了实验的再现性。
2022-12-31 cs.CR
Behavioral Malware Classification using Convolutional Recurrent Neural Networks
Drexel University（德雷塞尔大学）
行为恶意软件检测旨在提高防病毒系统使用的基于静态签名的技术的性能，这些技术对现代多态和变形恶意软件的效果较差。行为恶意软件分类的目的不仅仅是检测恶意软件，还根据命名方案（如反病毒供应商使用的命名方案）识别恶意软件家族。行为恶意软件分类技术使用运行时特征（诸如文件系统或网络活动）来捕获正在运行的进程的行为特征。恶意软件样本量的增加、恶意软件家族的多样性以及由反病毒供应商给予恶意软件样本的各种命名方案对行为恶意软件分类器提出了挑战。我们描述了一个行为分类器，它使用卷积递归神经网络和来自Microsoft Windows预取文件的数据。我们展示了该模型的改进，国家的最先进的使用大型数据集的恶意软件家族和四个主要的反病毒供应商命名方案。该模型在分类属于常见和罕见恶意软件家族的恶意软件样本方面是有效的，并且可以逐渐适应新恶意软件样本和家族的引入。
2018-11-19 cs.CR cs.LG
Dissecting Malware in the Wild
随着恶意行为者对新的恶意计算机软件的日益快速的开发，商业和面向研究的反病毒检测器都开始更多地使用机器学习策略来在终端用户暴露于其影响之前将此类恶意软件识别为有害的。这反过来又刺激了工具的开发，这些工具允许已知的恶意软件被操纵，使得它们可以避免被这些基于机器学习的检测器归类为危险的，同时保留它们的恶意功能。这些操作通过应用一组可以对Windows程序进行的更改来运行，这些更改会导致不同的文件结构和签名，而不会改变软件的功能。已经提出了各种建议，以最有效的方式将这些更改应用到输入恶意软件，以欺骗静态恶意软件检测器;本研究的目的是检查这些建议，并测试其实现，以确定哪些策略往往会产生最成功的攻击。
2021-12-04 cs.CR
Instance Attack:An Explanation-based Vulnerability Analysis Framework Against DNNs for Malware Detection
Army Engineering University of PLA（中国人民解放军陆军工程大学）；National University of Defense Technology（国防科技大学）；University Of Science & Technology Beijing（北京科技大学）；National Computer Network and Information Security Management Center（国家计算机网络与信息安全管理中心）；Shanghai Jiao Tong University（上海交通大学）
深度神经网络（DNN）越来越多地应用于恶意软件检测，其鲁棒性已被广泛讨论。传统上，对抗性示例生成方案依赖于详细的模型信息（基于梯度的方法）或大量样本来训练代理模型，这两种方法在大多数情况下都不可用。我们提出了基于实例攻击的概念。我们的方案是可解释的，可以在黑盒环境中工作。给定一个特定的二进制示例和恶意软件分类器，我们使用数据增强策略来产生足够的数据，从中我们可以训练一个简单的可解释模型。我们通过显示特定二进制文件不同部分的权重来解释检测模型。通过分析解释，我们发现数据分段在Windows PE恶意软件检测中起着重要的作用。我们提出了一种新的功能保持转换算法，可以应用到数据的子部分。通过采用我们提出的二进制多样化技术，我们消除了最加权部分的影响，以生成对抗性示例。我们的算法可以在某些情况下欺骗DNN，成功率接近100%。我们的方法优于最先进的方法。最重要的方面是，我们的方法在黑盒设置中操作，并且可以使用领域知识来验证结果。我们的分析模型可以帮助人们提高恶意软件检测器的鲁棒性。
2022-09-06 cs.AI cs.CR
System Calls for Malware Detection and Classification: Methodologies and Applications
National Institute of Technology Rourkela（印度拉尔克拉学院国家理工学院）
本文系统梳理了基于系统调用与API调用的恶意软件检测和分类方法，涵盖静态/动态分析、沙箱及机器学习等技术，并讨论其在Windows、Linux和Android上的应用与对抗逃逸问题。
2025-06-02 cs.AI cs.CR cs.LG
