MalwareDNA: Simultaneous Classification of Malware, Malware Families, and Novel Malware
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本文提出一种新方法,可同时精确识别新型恶意软件家族,并统一恶意软件/良性软件分类与家族分类于单一框架,应对现有机器学习方法忽视现实挑战的问题。
2023-09-04 cs.CR cs.LG
Malware Classification Using Deep Boosted Learning
PIEAS(巴基斯坦工程与应用科学学院)
网络空间的恶意活动已经不仅仅是黑客攻击和传播病毒。它已经成为一个国家生存的挑战,因此已经演变为网络战争。恶意软件是网络犯罪的一个关键组成部分,对恶意软件的分析是抵御攻击的第一道防线。本文提出了一种基于深度提升混合学习的恶意软件分类框架,命名为深度提升特征空间恶意软件分类(DFS-MC)。在所提出的框架中,通过融合性能最佳的定制CNN架构模型的特征空间及其由SVM进行分类的区分来增强区分能力。通过将其与标准定制CNN进行比较来评估所提出的分类框架的辨别能力。定制的CNN模型以两种方式实现:softmax分类器和基于深度混合学习的恶意软件分类。在混合学习中,从定制的CNN架构中提取深度特征,并将其馈送到传统的机器学习分类器中,以提高分类性能。我们还通过微调在基于恶意软件分类框架的定制CNN架构中引入了迁移学习的概念。所提出的恶意软件分类方法的性能进行了验证MalImg恶意软件数据集使用的保持交叉验证技术。通过采用创新的定制CNN进行实验比较,从头开始训练并使用迁移学习微调定制的CNN。提出的分类框架DFS-MC显示出改进的结果,准确率:98.61%,F分数:0.96,精度:0.96,召回率:0.96。
2021-07-08 cs.CR cs.CV cs.LG
Accelerating Malware Classification: A Vision Transformer Solution
Indian Institute of Technology-Bombay(印度理工学院孟买分校)
本文提出基于视觉Transformer的LeViT-MC架构,结合图像可视化与迁移学习,在MaleVis数据集上实现更高效、更准确的恶意软件分类。
2024-09-28 cs.CR cs.CV cs.LG
Random Forest for Malware Classification
Ateneo de Manila University(马尼拉雅典耀大学)
参与恶意软件活动的挑战包括正确识别和分类不同的恶意软件变体。各种恶意软件结合了代码混淆方法,这些方法可以改变其代码签名,有效地对抗利用静态方法和签名数据库的反恶意软件检测技术。在这项研究中,我们利用了一种将恶意软件二进制转换为图像的方法,并使用随机森林来分类各种恶意软件家族。结果准确率为0.9562,表明该方法在检测恶意软件方面是有效的
2016-09-25 cs.CR cs.LG
Integration of Static and Dynamic Analysis for Malware Family Classification with Composite Neural Network
Institute of Information Science, Academia Sinica(中央研究院资讯科学研究所)
深度学习已经被用于恶意软件分析的研究中。大多数分类方法使用静态分析特征或动态分析特征来进行恶意软件家族分类,并且很少将它们组合为分类特征,并且也没有花费额外的努力来集成这两种类型的特征。在本文中,我们将静态和动态分析特征与深度神经网络相结合,用于Windows恶意软件分类。我们开发了几种方法来生成静态和动态分析功能,以不同的方式分类恶意软件。鉴于这些功能,我们进行实验与复合神经网络,表明所提出的方法执行最好的准确率为83.17%,共80个恶意软件家族4519恶意软件样本。此外,我们表明,使用集成功能的恶意软件家族分类优于单独使用静态功能或动态功能。我们展示了静态和动态特征如何相互补充,以进行恶意软件分类。
2019-12-24 cs.CR cs.LG
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
On deceiving malware classification with section injection
Federal University of Bahia(巴伊亚联邦大学);University of South Florida(南佛罗里达大学)
我们研究如何修改可执行文件来欺骗恶意软件分类系统。这项工作的主要贡献是一种方法,在恶意软件文件中随机注入字节,并将其用作攻击以降低分类准确性,同时也用作防御方法,增加可用于训练的数据。它尊重操作系统文件格式,以确保恶意软件在我们注入后仍将执行,并且不会改变其行为。我们复制了五种最先进的恶意软件分类方法来评估我们的注入方案:一种基于GIST+KNN,三种CNN变体和一种门控CNN。我们在一个公共数据集上进行了实验,该数据集包含来自25个不同家族的9,339个恶意软件样本。我们的研究结果表明,恶意软件大小仅增加7%,就会导致恶意软件家族分类的准确性下降25%至40%。他们表明,自动恶意软件分类系统可能不像文献中最初报道的那样值得信赖。我们还评估了使用修改后的恶意软件和原始恶意软件来增加网络对上述攻击的鲁棒性。结果表明,重新排序恶意软件部分和注入随机数据的组合可以提高分类的整体性能。代码可在https://github.com/adeilsonsilva/malware-injection获得。
2022-08-12 cs.CR cs.LG
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
Understanding the efficacy, reliability and resiliency of computer vision techniques for malware detection and future research directions
Intel Labs(英特尔研究院)
我的研究领域是安全和机器学习的交叉点。本概述总结了我的研究的一个组成部分:将计算机视觉与恶意软件利用检测相结合,以增强安全解决方案。我将提出有效性、可靠性和弹性的观点,将威胁检测制定为计算机视觉问题,并开发最先进的基于图像的恶意软件分类。将恶意软件二进制表示为图像提供了数据样本的直接可视化,减少了特征提取的工作量,并且消耗了整个二进制用于整体结构分析。将对大规模图像分类有效的深度神经网络的迁移学习应用于恶意软件分类,与经典的机器学习算法相比,展示了优越的分类效率。为了增强这些基于视觉的恶意软件检测器的可靠性,可以在恶意软件视觉表示上构建解释框架,并且该解释框架对于提取忠实的解释是有用的,使得安全从业者在部署之前对模型有信心。在网络安全应用程序中,我们应该始终假设恶意软件编写者不断修改代码以绕过检测。解决恶意软件检测器的弹性与功效和可靠性同等重要。通过了解用于恶意软件检测的机器学习模型的攻击面,我们可以大大提高算法的鲁棒性,以打击野生恶意软件对手。最后,我将讨论未来的研究方向值得追求在这个研究社区。
2019-04-03 cs.CR cs.CV cs.LG
Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning
Mayachitra, Inc.(Mayachitra公司);U.S. Naval Research Laboratory(美国海军研究实验室)
我们提出了一种新的方法来检测和可视化恶意软件通过图像分类。可执行二进制文件被表示为从离散余弦变换(DCT)域中的N元(N=2)字节的计数获得的灰度图像,并且神经网络被训练用于恶意软件检测。训练浅层神经网络进行分类,并将其准确性与使用迁移学习训练的深层网络架构(如ResNet)进行比较。这些方法既不需要恶意软件的反汇编也不需要恶意软件的行为分析。出于不同恶意软件家族的这些图像的视觉相似性的动机,我们将我们的深度神经网络模型与标准图像特征(如GIST描述符)进行比较,以评估性能。提出了一种联合特征测度,通过误差分析将不同的特征组合起来,得到一个精确的集成模型,以提高分类性能。一个名为MaleX的新数据集包含约100万个恶意软件和良性Windows可执行文件样本,用于大规模恶意软件检测和分类实验。实验结果非常有希望,在MaleX上的二进制分类准确率为96%。所提出的模型也能够很好地推广较大的看不见的恶意软件样本和结果相媲美的最先进的静态分析为基础的恶意软件检测算法。
2021-01-26 cs.CR cs.CV cs.LG
Malware Classification Using Transfer Learning
Notre Dame University-Louaize(路易泽圣母大学)
随着互联网上设备数量的快速增长,恶意软件不仅对受影响的设备构成威胁,而且还对他们使用所述设备对互联网生态系统发起攻击的能力构成威胁。快速恶意软件分类是对抗这种威胁的重要工具。成功的分类方法之一是基于恶意软件图像和深度学习。虽然许多深度学习架构非常准确,但它们通常需要很长时间来进行训练。在这项工作中,我们在迁移学习的背景下对多个众所周知的、预先训练的深度网络架构进行了实验。我们发现,几乎所有的恶意软件分类准确,训练时间很短。
2021-07-29 cs.CR cs.LG
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
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
Generative Adversarial Networks and Image-Based Malware Classification
San Jose State University(圣何塞州立大学)
为了有效地删除恶意软件、确定恶意软件威胁级别和估计损害,恶意软件家族分类起着至关重要的作用。在本文中,我们从恶意软件可执行文件中提取特征,并使用各种方法将它们表示为图像。然后,我们专注于生成对抗网络(GAN)的多类分类,并将我们的GAN结果与其他流行的机器学习技术进行比较,包括支持向量机(SVM),XGBoost和限制玻尔兹曼机(RBM)。我们发现,AC-GAN神经网络通常与其他机器学习技术竞争。我们还评估了GAN生成模型对基于图像的恶意软件检测的对抗攻击的效用。虽然AC-GAN生成的图像在视觉上令人印象深刻,但我们发现,使用几种学习技术中的任何一种,它们都可以很容易地与真实的恶意软件图像区分开来。这一结果表明,我们的GAN生成的图像在对抗攻击中几乎没有价值。
2022-06-08 cs.CR cs.LG
Analysis of Bayesian Classification based Approaches for Android Malware Detection
移动恶意软件的规模和复杂性一直在增长,这是由全球智能手机的持续增长所推动的。Android正在迅速成为最受欢迎的移动平台,导致针对该平台的恶意软件急剧增加。此外,Android恶意软件正在迅速发展,以逃避传统的基于签名的扫描检测。尽管目前的检测措施到位,及时发现新的恶意软件仍然是一个关键问题。这就需要新的方法来缓解零日Android恶意软件日益增长的威胁。因此,在本文中,我们开发和分析基于贝叶斯分类的主动机器学习方法,旨在通过静态分析发现未知的Android恶意软件。该研究基于大多数现有系列的大型恶意软件样本集,展示了高准确性的检测能力。实证结果和比较分析提供了有用的洞察力,有效的静态分析贝叶斯分类为基础的解决方案,用于检测未知的Android恶意软件的发展。
2016-08-20 cs.CR cs.LG
MalMixer: Few-Shot Malware Classification with Retrieval-Augmented Semi-Supervised Learning
Vanderbilt University(范德堡大学);Stanford University(斯坦福大学)
针对现有恶意软件分类器依赖大量人工分析样本的问题,提出MalMixer,通过领域知识感知数据增强的检索增强半监督学习,在稀疏训练数据下实现少样本恶意软件家族分类的最先进性能。
2025-04-17 cs.CR cs.LG
A Comparison of Graph Neural Networks for Malware Classification
San Jose State University(圣何塞州立大学)
管理恶意软件构成的威胁需要准确的检测和分类技术。传统的检测策略,如签名扫描,依赖于恶意软件的手动分析来提取相关特征,这是劳动密集型的,并且需要专业知识。函数调用图由一组程序函数及其过程间调用组成,提供了丰富的信息源,可以利用这些信息对恶意软件进行分类,而无需传统技术的劳动密集型特征提取步骤。在这项研究中,我们把恶意软件分类作为一个图分类问题。基于局部度轮廓特征,我们训练了广泛的图神经网络(GNN)架构,以生成嵌入,然后进行分类。我们发现,我们最好的GNN模型优于之前涉及知名MalNet-Tiny Android恶意软件数据集的可比研究。此外,我们的GNN模型不会受到通常困扰非GNN技术的过拟合问题的困扰,尽管GNN模型需要更长的训练时间。
2023-03-22 cs.CR cs.LG
Enhancing Multiclass Malware Classification in Resource-Constrained Environments
BRAC University(BRAC大学)
针对资源受限环境中多类恶意软件分类准确率低且计算开销大的问题,提出结合LightGBM与随机森林的轻量级模型,通过SMOTE和SOM-US平衡数据、遗传算法选择特征,在家族和个体分类上分别达到91.2%和78.7%的准确率,优于现有方法。
2026-09-24 cs.CR cs.LG
Enhancing Efficiency and Privacy in Memory-Based Malware Classification through Feature Selection
Old Dominion University(奥尔多明尼恩大学);University of Memphis(孟菲斯大学);University of Central Arkansas(中阿肯色大学)
针对恶意软件分类的效率与隐私问题,本研究采用三种特征选择方法结合多类分类器,在三层分类任务中验证了互信息特征选择加随机森林的最优效果,为相关系统优化提供参考。
2023-10-05 cs.CR cs.LG
Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling
National Institute of Technology, Rourkela(国家理工学院罗尔克拉分校)
本文针对恶意软件分类中的概念漂移问题,提出遗传算法增强的深度学习框架,通过变异操作和适应度评估持续优化模型,实验证明其分类性能和适应性优于传统静态模型。
2025-03-08 cs.AI cs.CR cs.LG
From Malware Samples to Fractal Images: A New Paradigm for Classification. (Version 2.0, Previous version paper name: Have you ever seen malware?)
Institute for Problems in Mechanical Engineering RAS(俄罗斯科学院机械工程问题研究所)
本文提出基于恶意软件动态行为分析生成分形图像的新可视化范式,并利用 ESET 千万级样本库验证其用于区分恶意软件、PUA 与良性软件的潜力。
2023-06-01 cs.CR cs.CV
Exploring Optimal Deep Learning Models for Image-based Malware Variant Classification
The University of Tokyo(东京大学)
分析大量的恶意软件是安全分析师的主要负担。由于新出现的恶意软件通常是现有恶意软件的变体,因此将恶意软件自动分类到已知家族中可以大大减轻其负担。基于图像的恶意软件分类与深度学习是一个有吸引力的方法,其简单性,多功能性,并与最新技术的亲和力。然而,深度学习模型的差异和迁移学习的程度对恶意软件变体分类准确性的影响尚未得到充分研究。在本文中,我们在两个平台上使用24个ImageNet预训练模型和5个微调参数,共计120种组合,对深度学习模型进行了详尽的调查。因此,我们发现,通过微调一个最新的深度学习模型,以相对较低的迁移学习程度获得了最高的分类准确率,并且我们在Malimg和Drebin数据集上的交叉验证中实现了有史以来最高的分类准确率。我们还证实,这一趋势适用于最近使用VirusTotal 2020 Windows和Android数据集的恶意软件变体。实验结果表明,通过从一半逐渐减少迁移学习的程度,使用最新的模型和恶意软件数据集定期探索最佳的深度学习模型是有效的。
2022-10-23 cs.CR cs.LG
ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification
介绍ThreatVisionAI混合恶意软件家族分类框架,集成多种网络捕捉不同特征,经实验验证该框架能提升恶意软件家族分类准确率,频率感知和基于Transformer的表示有积极作用。
2026-07-07 cs.CR cs.LG
DAEMON: Dataset-Agnostic Explainable Malware Classification Using Multi-Stage Feature Mining
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
许多变形和多态的恶意变种每天都由变异引擎自动生成,这些变异引擎在保留恶意程序功能的同时转换恶意程序的代码,以逃避基于签名的检测。这些自动化过程大大增加了恶意软件变体的数量,认为完全手动分析是不可能的。恶意软件分类是确定新的恶意变体属于哪个家族的任务。相同恶意软件家族的变体显示出相似的行为模式。因此,对新发现的恶意程序和应用程序进行分类有助于评估它们构成的风险。此外,恶意软件分类便于确定新发现的变体中的哪些变体应当经历安全专家的手动分析,以便确定它们是否属于新家族(例如,其成员利用零日漏洞的人)或者仅仅是已知恶意家族内的概念漂移的结果。这激发了近年来对设计高精度恶意软件自动分类工具的深入研究。在这项工作中,我们提出了DAEMON -一种新的不可知的恶意软件分类器。DAEMON的一个关键属性是它使用的功能类型和挖掘它们的方式有助于理解恶意软件家族的独特行为,使其分类决策变得可解释。我们已经使用x86二进制文件的大规模数据集优化了DAEMON,该数据集属于针对运行Windows的计算机的几个恶意软件家族的混合。然后,我们重新训练了它,并将其应用于另外两个大规模的恶意Android应用程序数据集,其中包括许多恶意软件家族,而没有任何算法更改,功能重新设计或参数调整。DAEMON在所有数据集上都获得了高度准确的分类结果,这表明它也是平台无关的。
2021-06-25 cs.CR cs.LG
Malware Classification using Deep Neural Networks: Performance Evaluation and Applications in Edge Devices
PES University(PES大学);Red Hat(红帽公司)
本研究评估了深度神经网络在恶意软件分类中的性能,并探索其在边缘设备上的实时部署,通过优化架构实现资源受限场景下的高效检测,以增强物联网系统安全性。
2023-08-21 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
Deep learning at the shallow end: Malware classification for non-domain experts
University College Dublin(都柏林大学学院)
当前的恶意软件检测和分类方法通常依赖于耗时且知识密集的过程来从恶意软件中提取模式(签名)和行为,然后将其用于识别。此外,这些签名通常限于数据内的局部连续序列,而忽略它们彼此相关的上下文以及整个恶意软件文件的上下文。我们提出了一种基于深度学习的恶意软件分类方法,该方法不需要专业领域知识,并且基于用于复杂模式和特征识别的纯数据驱动方法。
2018-07-22 cs.AI cs.CR cs.LG
FARM: Few-shot Adaptive Malware Family Classification under Concept Drift
Centre for Secure Information Technologies (CSIT)(安全信息科技中心)
本文提出FARM框架,用于检测和适应Windows PE恶意软件家族分类中的协变量漂移和标签漂移。通过三元组自编码器和动态阈值检测,实现少样本适应和重训练,提升分类性能。
2026-03-13 cs.CR cs.LG
MAD-OOD: A Deep Learning Cluster-Driven Framework for an Out-of-Distribution Malware Detection and Classification
Dept. of Computer Science The University of Texas at El Paso Texas, USA(计算机科学系 乌德勒支理工大学 美国德克萨斯州);Dept. of Computer Science University of North Carolina North Carolina, USA(计算机科学系 北卡罗来纳大学 美国北卡罗来纳州)
MAD-OOD通过聚类驱动的深度学习框架,实现对未知恶意软件的高效检测与分类,提升异常分布检测的准确性和鲁棒性。
2025-12-19 cs.AI cs.CR cs.CV
New Era of Deeplearning-Based Malware Intrusion Detection: The Malware Detection and Prediction Based On Deep Learning
随着以深度学习模型为代表的人工智能算法的发展以及在不同领域的成功应用,深度学习技术在网络安全领域也有了进一步的探索。无论是在学术安全研究中,还是在行业实践中,通过深度学习方法处理部分网络安全问题时,与传统规则相比,都表现出了较好的性能。特别是对于恶意软件检测和分类任务,它节省了大量的时间成本,并提高了恶意软件检测系统总流水线的准确性。在本文中,我们构建了特殊的深度神经网络,即MalDeepNet(TB-Malnet和IB-Malnet),用于恶意软件动态行为分类任务。然后构建了基于深度学习的家族聚类算法并进行了相关测试。此外,我们还设计了一个新的恶意软件预测模型,可以检测恶意软件未来通过Mal生成对抗网络(Mal-GAN)的实现。这些算法在以后的相关数据集上具有相当大的应用价值。
2021-10-15 cs.CR cs.LG
Graph Neural Network-based Android Malware Classification with Jumping Knowledge
The University of Queensland(昆士兰大学)
提出了一种基于跳跃知识的图神经网络(GNNs)的Android恶意软件检测方法。Android函数调用图(FCG)由一组程序函数及其过程间调用组成。因此,本文提出了一种基于GNN的方法,通过捕获有意义的过程内调用路径模式的Android恶意软件检测。此外,跳跃知识技术被应用于最小化过度平滑问题的影响,这在GNN中是常见的。所提出的方法已被广泛使用两个基准数据集进行评估。结果表明,与最先进的方法相比,我们的方法在关键分类指标方面具有优越性,这证明了GNN在Android恶意软件检测和分类中的潜力。
2022-06-13 cs.CR cs.LG
A Hybrid Approach For Malware Classification Using Secondary Features Fusion
Mid Sweden University(中瑞典大学);Arbisoft (Pvt.) Ltd.(Arbisoft私人有限公司);Chalmers University of Technology(查尔姆斯理工大学)
提出一种通过融合API调用和n-gram特征,并采用投票集成算法进行恶意软件检测与家族分类的方法,在Microsoft数据集上达到99.72%准确率和0.989 AUC。
2026-06-02 cs.AI cs.CR cs.LG
Deep Transfer Learning for Static Malware Classification
Intel Labs(英特尔实验室)
我们建议将来自计算机视觉的深度迁移学习应用于静态恶意软件分类。在迁移学习方案中,我们从自然图像或对象中借用知识并应用于静态恶意软件检测的目标域。因此,深度神经网络的训练时间加快,同时仍保持高分类性能。我们证明了我们的方法在三个实验中的有效性,并表明我们提出的方法优于其他经典的机器学习方法测量的准确性,假阳性率,真阳性率和$F_1$得分(在二进制分类)。我们仪器的解释组件的算法,并提供可解释的解释,以提高安全从业者的信任模型。我们进一步讨论了一个凸组合方案的迁移学习和从头开始训练增强恶意软件检测,并提供基于视觉的恶意软件分类技术的算法解释的见解。
2018-12-18 cs.CR cs.LG stat.ML
A Novel Feature Representation for Malware Classification
University of Cincinnati(辛辛那提大学);Air Force Research Lab(空军研究实验室)
在这项研究中,我们提出了一种新的功能表示恶意程序,可用于恶意软件分类。我们已经展示了如何在自底向上的方法中构建功能,并分析了恶意程序和良性程序在组件方面的重叠。我们已经表明,我们的分析方法提供了一个增加的特征分辨率是描述数据移动相比,tf-idf功能。
2022-10-18 cs.CR cs.LG
NF-GNN: Network Flow Graph Neural Networks for Malware Detection and Classification
LMU Munich(慕尼黑大学);Siemens Technology(西门子科技);Siemens AG(西门子股份公司)
随着互联移动设备的数量呈指数级增长,恶意软件(malware)对通信系统的安全性构成越来越大的威胁。虽然一些现有的恶意软件检测和分类方法成功地利用了网络流量数据,但它们独立地处理端点对之间的网络流,因此无法利用完整网络中存在的丰富通信模式。我们的方法首先提取流图,然后使用一种新的基于边缘特征的图神经网络模型进行分类。我们提出了我们的基础模型的三个变体,它们支持在监督和无监督设置中进行恶意软件检测和分类。我们评估我们的方法流图,我们从最近发布的移动恶意软件检测数据集,解决了以前可用的数据集的几个问题提取。四个不同的预测任务的实验一致地证明了我们的方法的优点,并表明我们的图神经网络模型可以显着提高检测性能。
2021-06-04 cs.CR cs.LG
TUANDROMD-X: Advanced Entropy and Visual Analytics Dataset for Enhanced Malware Detection and Classification
Department of Computer Science and Engineering, Tezpur University(计算机科学与工程系,泰浦大学);Computer Science, College of Engineering and Applied Science, University of Colorado(计算机科学,工程与应用科学学院,科罗拉多大学)
本文提出TUANDROMD-X数据集,通过熵和可视化特征区分恶意软件与良性软件,提升恶意软件检测效率。
2026-05-07 cs.CR cs.LG
Malware Classification with GMM-HMM Models
离散隐马尔可夫模型(HMM)经常被应用于恶意软件检测和分类问题。然而,离散混沌的连续模拟,即高斯混合模型-混沌(GMM-HMM),在网络安全领域很少被考虑。在本文中,我们使用GMM-Hacks的恶意软件分类,我们比较我们的结果使用离散Hacks。作为特征,我们考虑操作码序列和基于熵的序列。对于我们的操作码功能,GMM-Hestival产生的结果与使用离散Hestival获得的结果相当,而对于我们基于熵的功能,GMM-Hestival通常会显着改善我们使用离散Hestival获得的分类结果。
2021-03-03 cs.CR cs.LG stat.ML
A multi-task learning model for malware classification with useful file access pattern from API call sequence
The University of Hong Kong(香港大学)
基于API调用序列,可以构建基于语义感知和机器学习(ML)的恶意软件分类器以用于恶意软件检测或分类。以前的工作集中于通过静态或动态分析从恶意软件二进制文件、反汇编二进制文件或API调用中制作和提取各种特征,并诉诸ML来构建分类器。然而,它们往往涉及太多的特征工程,无法提供可解释性。我们通过深度学习的最新进展解决了这两个问题:1)基于RNN的自动编码器(RNN-AE)可以从原始API调用序列中自动学习恶意软件的低维表示。2)多个解码器可以在不同的监督下进行训练,以提供更多的信息,而不是恶意软件的类别或家族标签。受文档分类和自动句子摘要工作的启发,每个API调用序列都可以被视为一个句子。在本文中,我们首次尝试建立一个基于API调用序列的多任务恶意软件学习模型。该模型由两个解码器组成,一个用于恶意软件分类,另一个用于给定恶意软件的API调用序列的$\emph{file access pattern}$(FAP)生成。我们的模型基于一般的seq 2seq框架。实验表明,我们的模型可以提供有竞争力的分类结果,以及有见地的FAP信息。
2016-10-19 cs.CR cs.LG cs.SD
Intelligent Systems Design for Malware Classification Under Adversarial Conditions
U.S. Military Academy(美国军事学院)
使用机器学习和智能系统已成为恶意软件检测和网络威胁预防领域的既定做法。在以广泛的可访问性和大数据为特征的环境中,在不使用基于人工智能的技术的情况下进行恶意软件分类的可行性已经呈指数级下降。对抗性机器学习的威胁也是当前自动化智能恶意软件检测领域的特征。攻击者正在寻找负责恶意软件分类功能的底层数据和/或算法,以映射其行为或破坏其功能。这些对手的目的是绕过网络安全措施并提高恶意软件的有效性。本研究的重点是设计一个智能系统的方法,使用机器学习,可以准确和鲁棒地分类恶意软件在对抗条件下。这样的结果最终依赖于增加的灵活性和适应性,以建立一个足够强大的模型来识别对底层算法的攻击。
2019-07-06 cs.CR cs.LG stat.ML
Malware-on-the-Brain: Illuminating Malware Byte Codes with Images for Malware Classification
恶意软件是一种旨在对数据、设备或人员造成伤害的软件。由于许多新的恶意软件变种可以通过重用代码生成,恶意软件攻击可以很容易地发起,因此近年来变得很常见,给企业、政府、金融机构、医疗服务提供商等带来了巨大的损失。然而,现有的工作,无论是采用静态分析或动态分析的逆向工程复杂和耗时的任务有重大的弱点。在本文中,我们提出了一个可视化的恶意软件分类框架称为VisMal,它提供了高效的分类与可接受的准确性。VisMal将恶意软件样本转换为图像,然后应用对比度有限的自适应直方图均衡算法来增强同一家族中恶意软件图像区域之间的相似性。我们提供了一个概念验证的实现,并进行了广泛的评估,以验证我们的框架的性能。评估结果表明,VisMal可以在4.0ms内对恶意软件样本进行分类,平均准确率为96.0%。此外,VisMal为安全工程师提供了一种简单的可视化方法,以进一步验证其性能。
2022-03-09 cs.CR
A New Android Malware Detection Approach Using Bayesian Classification
McAfee Labs(迈克菲实验室)
随着智能手机使用量的不断增加,移动恶意软件的规模和复杂性也在不断增长。Android已经超过其他移动平台成为最受欢迎的平台,同时也见证了针对该平台的恶意软件的急剧增加。一个令人担忧的趋势是,Android恶意软件越来越复杂,以逃避传统的基于签名的扫描仪的检测。因此,Android应用市场仍然存在托管恶意应用程序的风险,这些应用程序可以在被毫无戒心的用户下载之前逃避检测。因此,在本文中,我们提出了一种有效的方法来缓解这个问题的基础上获得静态代码分析的贝叶斯分类模型。这些模型是从代码和应用程序特征的集合中构建的,这些特征提供了潜在恶意活动的指标。该模型与真实的恶意软件样本在野外进行评估,实验结果表明,所提出的方法的有效性。
2016-08-02 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
A Comparison of Word2Vec, HMM2Vec, and PCA2Vec for Malware Classification
San Jose State University(圣何塞州立大学)
词嵌入通常用于自然语言处理中,作为量化词之间关系的手段。更一般地,这些相同的词嵌入技术可以用于量化特征之间的关系。在本文中,我们首先考虑多种不同的词嵌入技术的背景下,恶意软件分类。我们使用隐马尔可夫模型来获得嵌入向量的方法,我们称之为HMM2Vec,我们生成基于主成分分析的向量嵌入。我们还考虑了流行的基于神经网络的词嵌入技术,称为Word2Vec。在每种情况下,我们从各种不同的家庭恶意软件样本的操作码序列的基础上获得的功能嵌入。我们表明,我们可以获得更好的分类精度的基础上,这些特征嵌入,相比HMM实验,直接使用的操作码序列,并建立一个基线。这些结果表明,词嵌入可以是恶意软件分析领域中有用的特征工程步骤。
2021-03-07 cs.CR cs.LG
RawMal-TF: Raw Malware Dataset Labeled by Type and Family
本研究开发了名为RawMal-TF的新型恶意软件数据集,提供类型和家族双重标签,并基于静态分析提取特征,通过评估多项分类任务验证了其在有限数据条件下的高准确性与细粒度分析能力。
2025-06-30 cs.CR cs.LG
Malware Classification Leveraging NLP & Machine Learning for Enhanced Accuracy
National Institute of Technology Rourkela(奈尔克拉国家理工学院)
本文提出利用NLP和机器学习技术,通过n-gram分析提升恶意软件分类的准确率,达到99.02%的高精度
2026-02-22 cs.CR cs.LG
Effectiveness of Adversarial Examples and Defenses for Malware Classification
University of North Texas(北德克萨斯大学)
人工神经网络已经成功地用于许多不同的分类任务,包括恶意软件检测和区分恶意和非恶意程序。尽管人工神经网络在这些任务上表现得非常好,但它们也容易受到对抗性示例的影响。对抗性样本是一个样本,它被做了微小的修改,因此神经网络会错误地分类它。已经提出了许多技术,用于制作对抗性样本和强化神经网络来对抗它们。以前的大多数工作都是在图像领域完成的。一些攻击已被用于恶意软件领域,该领域通常处理二进制特征向量。为了更好地理解恶意软件分类中对抗性示例的空间,我们研究了恶意软件领域中制作对抗性示例和防御技术的不同方法,并比较了它们在多个数据集上的有效性。
2019-09-10 cs.CR cs.LG stat.ML
A Comparison of Selected Image Transformation Techniques for Malware Classification
San Jose State University(圣何塞州立大学)
本文比较了八种恶意软件到图像的转换技术及多种学习模型,发现分类效果主要取决于图像分析技术本身而非转换策略的细节。
2025-09-13 cs.CR cs.LG
Assessing the Effectiveness of YARA Rules for Signature-Based Malware Detection and Classification
恶意软件通常使用混淆技术或稍微修改以逃避防病毒软件和恶意软件分析工具的签名检测。传统上,为了确定文件是否是恶意的并且识别样本是什么类型的恶意软件,计算文件的加密散列。YARA是一种更新、更灵活的恶意软件检测解决方案,它可以创建规则,根据文件的二进制模式对恶意软件进行识别和分类。在本文中,作者将批判性地评估YARA规则的有效性,基于签名的检测和分类的恶意软件相比,替代方法,其中包括加密和模糊哈希。
2021-11-27 cs.CR
On the Limitations of Continual Learning for Malware Classification
ESL Global Cybersecurity Institute(ESL全球网络安全研究所);Rochester Institute of Technology(罗切斯特理工学院);Mandiant(曼迪安特)
恶意软件(malware)分类由于每天接收的新样本的量以及恶意软件利用新漏洞的演变而为持续学习(CL)机制提供了独特的挑战。在一个典型的日子里,防病毒供应商会收到数十万个独特的软件,包括恶意和良性的,在恶意软件分类器的生命周期中,可以轻松积累超过10亿个样本。考虑到问题的规模,使用持续学习技术的顺序训练可以在减少训练和存储开销方面提供实质性的好处。然而,到目前为止,还没有探索CL应用于恶意软件分类任务。在本文中,我们研究了11 CL技术应用于三个恶意软件的任务,涵盖常见的增量学习的情况下,包括任务,类和域增量学习(IL)。具体来说,使用两个现实的,大规模的恶意软件数据集,我们评估的CL方法的性能上的二进制恶意软件分类(域IL)和多类恶意软件家族分类(任务IL和类IL)的任务。令我们惊讶的是,持续学习方法在几乎所有设置中的表现都明显低于训练数据的朴素联合重放-在某些情况下,准确率降低了70多个百分点。选择性地重放20%的存储数据的简单方法实现了更好的性能,与联合重放相比,训练时间减少了50%。最后,我们讨论了潜在的原因,意外的CL技术性能不佳,希望它能刺激进一步研究开发技术,更有效的恶意软件分类域。
2022-08-13 cs.AI cs.CR cs.LG
Deep Image: A precious image based deep learning method for online malware detection in IoT Environment
Shiraz University of Technology(设拉子理工大学);University of Surrey(萨里大学);Zhongnan University of Economics and Law(中南财经政法大学)
物联网设备中的恶意软件数量和攻击数量每天都在上升,这鼓励安全专业人员不断增强他们的恶意软件分析工具。网络安全领域的研究人员已经广泛探索了复杂分析的使用和恶意软件检测的效率。随着新的恶意软件种类和攻击路线的引入,安全专家在开发高效的恶意软件检测和分析解决方案方面面临着巨大的挑战。本文从不同的角度对恶意软件进行分析,计算每个样本特征的风险等级,并在此基础上计算该样本的风险等级。通过这种方式,引入了一个标准,该标准与准确性和FPR标准一起用于物联网环境中的恶意软件分析。在本文中,提出了三种基于可视化技术的恶意软件检测方法,称为聚类方法,概率方法和深度学习方法。然后,除了通常的机器学习标准,即准确性和FPR之外,还使用了基于样本风险的建议标准进行比较,结果表明深度学习方法在检测恶意软件方面表现更好
2022-04-04 cs.CR cs.LG
Sequential Embedding-based Attentive (SEA) classifier for malware classification
National University of Computer and Emerging Sciences(国立计算机与新兴科学大学);NED University of Engineering and Technology(NED工程技术大学)
智能设备的巨大增长带来了一些安全威胁。最突出的威胁之一是恶意软件,也称为恶意软件。恶意软件有能力破坏设备并破坏整个网络。因此,及早发现和减轻其影响对于避免灾难性影响极为重要。在这项工作中,我们提出了一个使用最先进的自然语言处理(NLP)技术进行恶意软件检测的解决方案。我们的主要重点是提供一个轻量级的,但有效的恶意软件检测分类器,可用于异构设备,无论是资源约束设备或资源丰富的机器。我们提出的模型进行了测试的基准数据集的准确性和日志损失得分分别为99.13%和0.04。
2023-02-11 cs.CR cs.LG
Decoding the Secrets of Machine Learning in Malware Classification: A Deep Dive into Datasets, Feature Extraction, and Model Performance
Norton Research Group(诺顿研究组);INRIA(法国国家信息与自动化研究所);EURECOM(欧洲通信学院);IMDEA Software Institute(IMDEA软件研究所)
本文深入探讨了基于机器学习的恶意软件分类,通过构建迄今最大平衡数据集,发现静态特征优于动态特征,家族数量增加降低准确率,而每家族样本增多及均匀分布能提升泛化能力。
2023-07-27 cs.CR cs.LG
To believe or not to believe: Validating explanation fidelity for dynamic malware analysis
Intel Labs(英特尔研究院);Georgia Institute of Technology(佐治亚理工学院)
与经典的机器学习算法相比,将恶意软件转换为图像,然后使用基于视觉的深度学习算法,显示出了更好的威胁检测效果。当恶意软件被可视化为图像时,基于视觉的解释方案也可以被应用于提取为什么单个样本被分类为恶意的见解。在这项工作中,通过两个动态恶意软件分类的案例研究,我们扩展了本地可解释的模型不可知解释算法来解释基于图像的动态恶意软件分类,并检查其解释保真度。对于这两个案例研究,我们首先通过对恶意软件图像的迁移学习来训练深度学习模型,展示高分类效率,对图像应用解释方法,并将结果与样本相关联,以验证算法见解是否与安全领域专业知识一致。在我们的第一个案例研究中,解释框架确定了间接调用,这些调用唯一地表征了恶意软件家族的潜在利用行为。在我们的第二个案例研究中,解释框架在应用于从API存在创建的图像时提取了有见地的信息,例如加密相关的API,但在从API序列和频率创建的图像上生成模糊的解释。我们的研究结果表明,目前基于图像的解释技术是有前途的解释基于视觉的恶意软件分类。我们继续开发专门用于安全应用的基于图像的解释方案。
2019-04-30 cs.AI cs.CR cs.CV
DeepSign: Deep Learning for Automatic Malware Signature Generation and Classification
Bar-Ilan University(巴伊兰大学);Tel Aviv University(特拉维夫大学);Gonda Brain Research Center at Bar-Ilan University(巴伊兰大学贡达脑研究中心);Center for Automation Research, University of Maryland at College Park(马里兰大学帕克分校自动化研究中心)
提出了一种基于深度学习的恶意软件特征自动生成和分类方法。该方法使用深度信念网络(DBN),通过深度去噪自动编码器堆栈实现,生成恶意软件行为的不变紧凑表示。虽然传统的基于签名和令牌的恶意软件检测方法不能检测到现有恶意软件的大多数新变种,但本文中给出的结果表明,DBN生成的签名可以对新的恶意软件变种进行准确的分类。使用包含数百个主要恶意软件家族的变体的数据集,我们的方法使用DBN生成的签名实现了98.6%的分类准确率。所提出的方法对于所记录的恶意软件行为的类型是完全不可知的(例如,API调用及其参数、注册表项、访问的网站和端口等),并且可以使用来自沙箱的任何原始输入来成功地训练用于生成恶意软件签名的深度神经网络。
2017-11-23 cs.CR cs.LG cs.NE