Relation-aware based Siamese Denoising Autoencoder for Malware Few-shot Classification
本文提出一种基于关系感知嵌入的孪生神经网络,结合熵图像输入,用于在少样本和混淆技术条件下提升恶意软件分类的准确性与鲁棒性。
2024-11-21 cs.CR
Hidden Markov Models with Random Restarts vs Boosting for Malware Detection
San Jose State University(圣何塞州立大学)
本研究针对恶意软件检测任务,对比了采用AdaBoost的提升式隐马尔可夫模型与多次随机重启训练的隐马尔可夫模型,发现随机重启表现优异,仅在训练数据严重不足的冷启动场景下提升方法的收益才足以覆盖其更高的计算成本。
2023-07-17 cs.CR cs.LG
A Hybrid Approach to Malware Detection: Integrating Few-Shot Model-Agnostic Meta-Learning with Autoencoders
University of North Dakota(北达科他大学);Hassan II University(哈桑二世大学)
本文提出一种结合自编码器特征提取器与模型无关元学习分类器的混合深度学习框架,用于少样本勒索软件检测,在Ransomware Dataset 2024上实现高准确率、F1分数和MCC值,验证了其在数据稀缺场景下的鲁棒性和有效性。
2026-10-02 cs.AI cs.CR cs.LG
Tactics, Techniques, and Procedures (TTPs) in Interpreted Malware: A Zero-Shot Generation with Large Language Models
针对开源软件供应链中解释型恶意软件的威胁,研究提出零样本方法GENTTP,利用大语言模型从恶意软件包生成攻击TTP,经实验验证高效准确,并基于大规模TTP分析揭示了恶意软件攻击的相关规律。
2024-07-11 cs.CR cs.SE
NeuPerm: Disrupting Malware Hidden in Neural Network Parameters by Leveraging Permutation Symmetry
Ariel University(阿里埃勒大学)
NeuPerm利用神经网络排列对称性,简单有效地破坏隐藏在模型参数中的恶意软件,对性能影响极小,并成功应用于大型语言模型。
2026-10-08 cs.CR
Synthetic Embedding of Hidden Information in Industrial Control System Network Protocols for Evaluation of Steganographic Malware
本文提出一种生成合成隐写网络数据的嵌入概念,可自动生成大量数据用于训练和评估防御机制,并在嵌入速度上显著优于现有技术。
2024-06-27 cs.CR
Malware Detection Using Dynamic Birthmarks
San Jose State University(圣何塞州立大学);Università degli Studi del Sannio(圣尼奥大学)
在本文中,我们探讨了动态分析技术识别恶意软件的有效性,使用隐马尔可夫模型(HMM)和配置文件隐马尔可夫模型(PHHMM),都训练序列的API调用。我们将我们的结果与使用在操作码序列上训练的Hashion的静态分析进行了对比,并表明动态分析在许多情况下获得了明显更强的结果。此外,在对比我们的两个动态分析技术,我们发现,使用PHOTO始终优于我们的分析的基础上的障碍。
2019-01-06 cs.CR cs.LG stat.ML
Feature-level Malware Obfuscation in Deep Learning
我们考虑用深度学习模型检测恶意软件的问题,其中恶意软件可能与大量的良性代码相结合。这方面的例子包括对系统的捎带和特洛伊木马攻击,其中恶意行为隐藏在有用的应用程序中。这种增加恶意软件的灵活性使得代码混淆明显增加。因此,我们专注于静态功能的使用,特别是Intents、API和API调用,我们认为这些功能最终无法在Android系统中隐藏,而只能增加更多这样的功能。我们首先使用良性和恶意软件样本的特征来训练用于恶意软件分类的深度神经网络分类器。然后,我们证明了假阴性率的急剧增加(即,攻击成功),只需将良性应用程序的功能随机添加到恶意软件即可。最后,我们测试了使用数据增强来强化分类器以抵御此类攻击。我们发现,对于API调用,可以拒绝绝大多数攻击,而使用Intents或Intent则不太成功。
2020-02-10 cs.CR cs.LG stat.ML
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
Towards Novel Malicious Packet Recognition: A Few-Shot Learning Approach
University of West Florida(西佛罗里达大学);Florida Institute For Human and Machine Cognition(佛罗里达人机认知研究所)
针对传统安全防御难以识别新型恶意软件的问题,提出结合预训练大语言模型提取数据包嵌入与小样本学习的新型恶意数据包识别方法,在两个数据集上取得86.35%的平均准确率与86.40%的F1值。
2024-09-17 cs.CR cs.LG
LLM-FS: Zero-Shot Feature Selection for Effective and Interpretable Malware Detection
Department of Computer Science and Engineering(计算机科学与工程系);National Institute of Technology Calicut, India(印度卡利卡特国立理工学院)
本文探讨了利用大语言模型进行零样本特征选择在恶意软件检测中的应用,通过对比传统方法,展示了其在准确性和可解释性上的优势。
2026-02-10 cs.CR cs.LG
Machine Learning for Malware Evolution Detection
San Jose State University(圣何塞州立大学)
恶意软件会随着时间的推移而演变,防病毒软件必须适应这种演变。因此,关键是要及时检测恶意软件已经发展的那些点,以便采取适当的对策。在这项研究中,我们对大量的恶意软件家族进行了各种实验,以确定恶意软件演变可能发生的时间。我们考虑的所有进化检测技术都基于机器学习,并且可以完全自动化-特别是,不需要逆向工程或其他劳动密集型手动分析。具体来说,我们考虑基于隐马尔可夫模型(HMM)和词嵌入技术HMM 2 Vec和Word 2 Vec的分析。
2021-07-04 cs.CR cs.LG
Open Image Content Disarm And Reconstruction
Ariel University(阿里埃勒大学)
本文提出一种新颖的图像内容解除与重建(ICDR)系统,采用零信任方法,通过提取图像数据、分离文件并处理图像像素,在保持高图像质量的同时禁用或移除隐藏在图像文件中的恶意软件。
2023-07-26 cs.AI cs.CR
UIXPOSE: Mobile Malware Detection via Intention-Behaviour Discrepancy Analysis
School of Computing and Information Systems(计算与信息系统学院);The University of Melbourne(墨尔本大学)
UIXPOSE通过意图-行为不一致分析提升移动恶意软件的动态检测能力
2025-12-16 cs.AI cs.CR
Reliable Malware Analysis and Detection using Topology Data Analysis
Polytechnique Montréal(蒙特利尔综合理工学院)
越来越多的恶意软件变得越来越复杂,它们在网络上传播,目标是不同的基础设施和个人终端设备,以收集、修改和破坏受害者信息。恶意软件行为具有多态性、变形性、持久性,能够隐藏以绕过检测器并适应新的环境,甚至利用机器学习技术来更好地破坏目标。因此,这使得传统的端点检测和响应,入侵检测和预防系统难以分析和检测。为了防御恶意软件,最近的工作提出了基于签名和机器学习的不同技术。在本文中,我们建议使用代数拓扑方法称为基于拓扑的数据分析(TDA),有效地分析和检测复杂的恶意软件模式。接下来,我们比较不同的TDA技术(即,持久性同源性,番茄,TDA Mapper)和现有技术(即,PCA、UMAP、t-SNE)使用不同的分类器,包括随机森林、决策树、xgboost和lightgbm。我们还提出了一些建议,以部署最好的识别模型,用于大规模的恶意软件检测。结果表明,TDA映射器(结合PCA)是更好的聚类和识别恶意软件集群之间的隐藏关系相比,PCA。与UMAP和t-SNE相比,持久图更适合识别重叠的恶意软件集群,执行时间更短。对于恶意软件检测,恶意软件分析师可以使用随机森林和决策树与t-SNE和持久图,以实现更好的性能和噪声数据的鲁棒性。
2022-11-08 cs.AI cs.CR cs.LG
A Comparison of Static, Dynamic, and Hybrid Analysis for Malware Detection
San Jose State University(圣何塞州立大学);Università degli Studi del Sannio(桑尼奥大学)
在这项研究中,我们比较了基于静态,动态和混合分析的恶意软件检测技术。具体来说,我们训练隐马尔可夫模型(HALTH)的静态和动态功能集,并比较了大量的恶意软件家族的检测率。我们还考虑混合的情况下,其中动态分析用于在训练阶段,与静态技术用于检测阶段,反之亦然。在我们的实验中,完全动态的方法通常会产生最佳的检测率。我们讨论了这项研究的影响,基于混合技术的恶意软件检测。
2022-03-13 cs.CR cs.LG
Assessment of the Relative Importance of different hyper-parameters of LSTM for an IDS
Microsoft(微软);BITS Pilani(比尔拉科学技术学院)
像LSTM这样的循环深度学习语言模型通常用于为高价值资产提供高级网络防御。使用LSTM网络进行恶意软件检测的基本假设是恶意软件的操作码序列可以被视为(口语)语言表示。任何口语(单词/句子的序列)和机器语言(操作码的序列)之间都存在差异。在本文中,我们证明了由于这些固有的差异,具有针对口语调整的默认配置的LSTM模型可能无法很好地检测恶意软件(使用其操作码序列),除非网络的基本超参数得到适当调整。在这个过程中,我们还确定了LSTM网络的所有不同超参数的相对重要性,这些参数使用它们的操作码序列表示应用于恶意软件检测。我们实验了不同配置的LSTM网络,并改变了超参数,如嵌入大小,隐藏层的数量,隐藏层中LSTM单元的数量,输入向量的修剪/填充长度,激活函数和批量大小。我们发现,由于恶意软件/机器语言的复杂性增强,为入侵检测系统配置的LSTM网络的性能对隐藏层的数量、输入序列长度和激活函数的选择非常敏感。此外,对于(口语)语言建模,循环架构远远优于非循环架构。因此,我们还评估了LSTM等顺序DL架构与MLP-DNN等非顺序DL架构相比的恶意软件检测效果。
2020-12-26 cs.CR cs.LG
Acceleration of Statistical Detection of Zero-day Malware in the Memory Dump Using CUDA-enabled GPU Hardware
本文重点研究了隐身软件检测方法的预期增强。网络安全检测工具不够强大,无法揭示使用恶意软件的最新网络攻击。在本文中,我们将首先介绍最高隐身恶意软件的概念,因为这是最复杂的检测场景,因为它结合了现有的反取证技术及其潜在的改进。其次,我们提出了新的检测方法,这是弹性的隐藏的原型。为了帮助解决这一检测挑战,我们使用香农熵计算的新方法分析了Windows内存内容;数字摄影测量方法; Zipf Mandelbrot定律,以及通过分解内存内容和分析输出。最后,我们提出了一个想法和架构的软件工具,它使用CUDA使GPU硬件,以加快内存取证。所有这三个想法目前都在进行中。
2016-06-15 cs.CR
Packet Inspection Transformer: A Self-Supervised Journey to Unseen Malware Detection with Few Samples
Department of Intelligent Systems and Robotics, University of West Florida, Pensacola, FL, USA(智能系统与机器人系,西佛罗里达大学,佛罗里达州彭萨科大,USA);Florida Institute For Human and Machine Cognition (IHMC), Pensacola, FL, USA(佛罗里达人类与机器认知研究所(IHMC),佛罗里达州彭萨科大,USA);Center for Cybersecurity, University of West Florida, Pensacola, FL, USA(网络安全中心,西佛罗里达大学,佛罗里达州彭萨科大,USA)
本文提出Packet Inspection Transformer,通过自监督掩码学习数据包表示并结合少样本学习,使检测器能在少量样本下识别未知恶意软件。
2025-10-18 cs.AI cs.CR cs.LG
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
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
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
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
Moirae: A Multimodal Agent Collaborative Framework for Dynamic Android Malware Detection
School of Computer Science and Engineering, Beihang University(北京航空航天大学计算机科学与工程学院);School of Cyberspace Security, Beijing University of Posts and Telecommunications(北京邮电大学网络空间安全学院);School of Computer Science and Engineering, Guangxi Normal University(广西师范大学计算机科学与工程学院)
该研究提出多模态智能体协作框架Moirae,通过融合多维度运行时证据实现动态Android恶意软件检测,在未见过的数据集上零样本准确率达90.06%,优于现有基线且抗概念漂移。
2026-09-17 cs.CR cs.SE
Attack and Defense of Dynamic Analysis-Based, Adversarial Neural Malware Classification Models
最近,研究人员提出使用基于深度学习的系统进行恶意软件检测。不幸的是,所有深度学习分类系统都容易受到对抗攻击的攻击。先前的工作已经研究了针对基于静态分析的恶意软件分类器的对抗攻击,所述恶意软件分类器仅对未知文件的内容进行分类而不执行。然而,由于大多数恶意软件被打包或加密,基于静态分析的恶意软件分类通常无法检测到这些类型的文件。为了克服这种限制,反恶意软件公司通常通过在反恶意软件引擎中仿真每个文件或在虚拟机中执行深入扫描来执行动态分析。这些策略允许在解包或解密后分析恶意软件。在这项工作中,我们研究了不同的策略制作对抗样本的动态分析。这些策略对稀疏的二进制输入进行操作,而不是像图像中的像素这样的连续输入。然后,我们研究了两个先前提出的防御机制对精心制作的对抗性样本的影响,包括蒸馏和合奏防御。我们还提出并评估了权重衰减防御。实验表明,与没有任何防御的标准基线系统相比,使用这三种防御策略,成功制作的对抗样本的数量减少了。特别是,整体防御是最有弹性的对抗攻击。重要的是,这些防御措施都没有显著降低检测恶意软件的分类准确性。最后,我们证明,虽然添加额外的隐藏层的神经模型并没有显着提高恶意软件分类的准确性,它显着增加分类器的鲁棒性对抗攻击。
2017-12-16 cs.CR
Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4
Guangdong Key Laboratory of Intelligent Information Processing(广东省智能信息处理重点实验室);Shenzhen Key Laboratory of Media Security(深圳市媒体安全重点实验室)
针对现有基于API序列的恶意软件检测模型表示质量有限、泛化能力弱及概念漂移问题,提出结合GPT-4提示工程生成API解释文本、用BERT获取序列表示再经CNN检测的方法,在多基准及跨库、小样本实验中性能优于TextCNN,泛化性优异。
2023-12-13 cs.AI cs.CR
Empirical Evaluation of Concept Drift in ML-Based Android Malware Detection
Department of Computer Science, Birzeit University(巴伊兹大学计算机科学系);Department of Computer Science, University of Central Florida(中央佛罗里达大学计算机科学系)
本研究针对基于机器学习的安卓恶意软件检测中的概念漂移问题,通过多数据集、多算法及多特征类型的实证评估,明确了漂移的影响与相关因素,指出LLMs等现有方法仍无法完全缓解该问题。
2025-07-30 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
Neural Fingerprints for Malware Analysis: An Image-Based Metric Learning Approach with Application to Cross-Domain Classification
Department of Computer Science, San Jose State University(圣何塞州立大学计算机科学系);Faculty of Information Technology, Czech Technical University in Prague(布拉格捷克理工大学信息技术学院)
提出基于图像度量学习的恶意软件神经指纹方法,通过嵌入空间最近邻搜索实现零样本家族识别,在未见家族上取得73.1%检索@1和90.5%开放集AUROC。
2026-09-23 cs.CR
A Structured State Space Sequence Model for Multi-Class Classification of Malware
Artificial Intelligence Research (AIR) Center(人工智能研究(AIR)中心)
针对物联网恶意软件威胁,提出基于结构化状态空间序列(S4)模型的恶意软件检测与分类新框架,首次实证应用S4模型并与其他深度学习架构全面比较,提升系统安全性。
2026-10-02 cs.AI 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
Malware Classification from Memory Dumps Using Machine Learning, Transformers, and Large Language Models
Arab American University(阿拉伯美国大学)
本研究评估了多种机器学习、深度学习和大语言模型在内存转储恶意软件分类中的表现,发现XGB结合Top 45特征取得最高准确率,证明了传统模型在结构化数据上的优势。
2025-03-04 cs.CL cs.CR cs.LG
Echelon: Two-Tier Malware Detection for Raw Executables to Reduce False Alarms
Simon Fraser University(西蒙弗雷泽大学)
现有的恶意软件检测方法由于单层分类方法而遭受假阳性率(FPR)和真阳性率(TPR)之间的简单化权衡,其中这两种测量彼此不利地影响。恶意软件检测的实际含义是FPR必须保持在可接受的低水平,而TPR保持在高水平。为此,我们提出了一个两层的学习,称为“梯队”,从原始字节数据,不需要手工制作的功能。第一层将FPR锁定在指定的目标水平,而第二层在保持锁定的FPR的同时提高TPR。Echelon算法的核心在于提取第一层模型中隐藏层的激活信息,以构建更强的第二层模型。Echelon是一个框架,因为它允许任何现有的基于CNN的模型在两个层中进行调整。我们目前的实验结果评估Echelon适应国家的最先进的恶意软件检测模型"Malconv”在第一和第二层。
2021-01-04 cs.CR cs.LG
LAMD: Context-driven Android Malware Detection and Classification with LLMs
University College London(伦敦大学学院);University of Hong Kong(香港大学)
针对安卓恶意软件检测中LLM上下文限制与结构复杂性问题,提出LAMD框架,通过关键上下文提取和分层代码推理实现有效检测与解释,在真实环境中优于传统方法。
2025-04-21 cs.AI cs.CR cs.LG
Adversarial Co-Evolution of Malware and Detection Models: A Bilevel Optimization Perspective
Faculty of Information Technology, Czech Technical University in Prague(信息技术学院,布拉格捷克技术大学)
本文提出基于双层优化的鲁棒防御框架,通过建模防御者与攻击者之间的对抗共进化过程,有效提升恶意软件检测系统的抗攻击能力,实验表明其能显著降低攻击成功率。
2026-04-24 cs.CR cs.LG
Hidden in Plain Sight: Obfuscated Strings Threatening Your Privacy
字符串模糊处理是专有的、封闭源代码的应用程序用来保护知识产权的一种成熟技术。此外,它还经常用于隐藏应用程序中的间谍软件或恶意软件。在这两种情况下,技术范围从XOR运算上的位操作到AES加密。然而,字符串混淆技术/工具有一个共同的弱点:它们通常必须将必要的逻辑嵌入到应用程序代码中以消除字符串的混淆。在本文中,我们展示了Android恶意和良性应用程序中发现的大多数字符串混淆技术可以很容易地以自动化的方式被破坏。我们开发了StringHound,这是一个开源工具,它使用新颖的技术来识别混淆的字符串并使用切片重建原始字符串。我们在良性和恶意Android应用程序上评估了StringHound。总之,我们对混淆字符串的去混淆处理几乎是其他字符串去混淆工具的30倍。此外,我们分析了100,000个Google Play商店应用程序,发现了多个模糊字符串,这些字符串隐藏了易受攻击的加密用法,不安全的互联网访问,API密钥,硬编码密码以及在开发人员不知情的情况下利用特权。此外,我们的分析表明,不仅恶意软件使用字符串混淆,而且良性应用程序也广泛使用字符串混淆。
2020-09-09 cs.CR
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
Detecting Android Malware by Visualizing App Behaviors from Multiple Complementary Views
针对现有单视角安卓恶意软件可视化检测方法覆盖攻击类型有限的问题,提出多视角融合的LensDroid技术,从三个互补视角可视化行为并融合特征,在超5.1万应用的多场景实验中性能优于基线方法。
2024-10-08 cs.CR cs.SE
Unveiling A Hidden Risk: Exposing Educational but Malicious Repositories in GitHub
本研究利用ChatGPT对3.52万个GitHub教育类代码仓库开展恶意性标注研究,发现其中9294个为恶意且分属14个恶意软件家族,揭示了教育类仓库的隐藏风险,为软件平台的安全分析敲响警钟。
2024-03-07 cs.CR cs.SE
Dismantling Common Internet Services for Ad-Malware Detection
本研究通过抓取网站HTTP请求并对比DNS提供商与VirusTotal的标记结果,发现各互联网服务对广告恶意软件的定义和检测结果存在显著分歧,强调了统一定义和自动化检测的必要性。
2024-04-22 cs.CR cs.NI
Assessing Cyclostationary Malware Detection via Feature Selection and Classification
University of Pretoria(比勒陀利亚大学)
本研究通过 Boruta 和 PCA 提取循环平稳特征,结合 RF 和 SVM 算法评估恶意软件检测,发现 PCA 更优,UGRansome 数据集检测准确率达 98%-99%。
2023-08-29 cs.CR cs.LG
Evaluating the robustness of adversarial defenses in malware detection systems
Faculty of Computer Science and Engineering(计算机科学与工程学院);Shahid Beheshti University (SBU)(沙希德·贝赫什提大学);Tehran, Iran(伊朗德黑兰)
本文提出sigma-二进制攻击方法,揭示现有恶意软件检测防御的脆弱性,提升对抗防御的鲁棒性。
2025-12-08 cs.AI cs.CR cs.LG
Wavelet decomposition of software entropy reveals symptoms of malicious code
复杂的恶意软件作者可以将隐藏的恶意代码潜入可移植的可执行文件中,并且这些代码很难被检测到,特别是如果加密或压缩。然而,当可执行文件在代码体系(例如,原生、加密、压缩、文本和填充)之间切换时,在文件的表示中存在作为熵信号的对应移位。在本文中,我们开发了一种方法,用于自动量化文件熵信号中的模式化变化使其“可疑”的程度。“在实验1中,我们使用小波变换来定义可疑结构熵变化分数(SSECS),这是一种标量特征,它根据文件在多个空间分辨率水平上的熵能分布来量化文件的可疑性。基于这一单一特征,可以将恶意软件检测任务的预测准确率从50.0%提高到68.7%,即使该单一特征被应用于“在野外”发现的恶意软件的异构语料库。在实验2中,我们描述了如何将基于小波的软件熵分解应用于涉及大量样本和特征的寄生恶意软件检测任务。通过从软件样本中提取字符串和熵特征(小波分解),我们能够获得几乎99%的寄生恶意软件检测,而好文件的误报率低于1%。此外,基于小波的特征的添加均匀地提高了跨合理假阳性率的检测性能,无论是在仅字符串模型(例如,从80.90%到82.97%)和弦加熵模型(例如从92.10%到94.74%,以及从98.63%到98.90%)。总的来说,软件熵的小波分解可以用于机器学习模型,用于基于从可执行文件中提取数百万个特征来检测恶意软件。
2018-02-02 cs.CR stat.AP
USBCaptchaIn: Preventing (Un)Conventional Attacks from Promiscuously Used USB Devices in Industrial Control Systems
工业控制系统(ICS)是高调攻击者和高级持续威胁的明智目标,众所周知,这些攻击者利用USB拇指驱动器作为有效的传播媒介。在ICSes中,拇指驱动器被广泛用于在断开连接的系统之间传输文件,并代表严重的安全风险,因为它们可能被混杂地用于关键和常规系统。这些威胁来自隐藏在存储在拇指驱动器中的文件中的恶意软件和BadUSB攻击[16]。BadUSB利用USB设备固件的修改来模仿键盘的行为并向主机发送恶意命令。我们提出了一个解决方案,允许混杂使用USB拇指驱动器,同时保护关键机器免受恶意软件,通过常规文件感染或固件感染传播。我们提出的架构的主要组成部分是一个硬件,称为USBCaptchaIn,旨在在关键机器和所有USB设备之间的中间。我们不要求用户改变他们使用拇指驱动器的方式。为了避免人为错误,我们不要求用户做出任何决定。所提出的方法与ICS环境中已经部署的产品高度兼容,并在恶意软件到达目标之前主动阻止恶意软件。我们描述了我们的解决方案,提供了一个全面的分析,我们的方法在ICS的上下文中的安全性,并报告了一些专家对我们的第一个原型的非正式反馈。
2019-03-16 cs.CR
Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning
Prince Sultan University(苏丹王子大学);University of Manouba(马努巴大学)
本文提出一种结合自监督学习、少样本学习和随机森林的物联网入侵检测方法,通过Deep Infomax提取特征并经原型网络生成嵌入,有效解决了数据不平衡和罕见攻击检测难题,在MaleVis和WSN-DS数据集上均取得超过98%的准确率。
2024-06-04 cs.AI cs.CR
A Few-Shot Meta-Learning based Siamese Neural Network using Entropy Features for Ransomware Classification
勒索软件防御解决方案可以快速检测和分类不同的勒索软件类别,以制定快速响应计划,近年来需求量很大。尽管采用深度学习技术来提供自动化和自学习供应的适用性已在许多应用领域中得到证明,但勒索软件(和其他恶意软件)样本可用的数据的缺乏已被提出为开发有效的基于深度学习的解决方案的障碍。为了解决这个问题,我们提出了一个基于Few-Shot元学习的Siamese神经网络,它不仅可以检测勒索软件攻击,还可以将其分类为不同的类别。我们提出的模型利用直接从勒索软件二进制文件中提取的熵特征来保留与不同勒索软件签名相关的更细粒度的特征。这些熵特征被进一步用于以元学习方式使用预先训练的网络(例如VGG-16)来训练和优化我们的模型。与使用特征图像相比,这种方法生成更准确的权重因子,以避免通常与使用有限数量的训练样本训练的模型相关联的偏差。我们的实验结果表明,我们提出的模型是非常有效的,在提供一个加权的F1分数超过率>86%相比,
2022-04-10 cs.CR
Sanitizing Hidden Information with Diffusion Models
本文提出基于扩散模型的DM-SUDS净化方法,用于移除CIFAR-10和ImageNet图像隐写中的隐藏信息,在图像保真指标上显著优于现有深度学习方法,并展示了跨音频领域的通用性。
2025-02-05 cs.CR
Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets
Loughborough University(拉夫堡大学)
本文提出结合 call graphlets 图数据表示与新颖图神经网络架构的二进制代码相似性检测方法,在跨架构、单架构及零样本任务中达到先进性能,并在域外函数内联任务中表现良好。
2024-11-11 cs.AI cs.CR cs.IR
Forensic Issues and Techniques to Improve Security in SSD with Flex Capacity Feature
预留空间技术通常作为一种提高存储系统(如数据库)性能的手段而引入。过度配置区域是隐藏的,对于普通用户来说很难访问。本文主要研究针对这些隐藏区域的攻击模型。恶意黑客使用先进的过度配置技术,根据工作负载改变容量,因此,我们的重点是使用可变过度配置技术的攻击模型。根据这些攻击模型,可以扫描包含隐藏在过度配置区域中的原始数据或恶意软件代码的无效块。在本文中,我们概述了不同的取证过程中进行的每一个存储单元类型的预留区域,并公开了安全增强技术,增加免疫力,这些攻击模型。这导致了对可以改变过度配置区域的SSD的取证可能性和对策的讨论。我们还提出了信息隐藏攻击和信息暴露攻击的SSD的失效区。我们的研究提供了一个良好的基础上,基于SSD的数据库的性能和安全性可以进一步提高。
2021-12-20 cs.CR
Steganographic Capacity of Deep Learning Models
San Jose State University(圣何塞州立大学);Shanghai AI Laboratory(上海人工智能实验室);Czech Technical University in Prague(布拉格捷克理工大学)
本研究考察MLP、CNN和Transformer模型在恶意软件分类任务中的隐写容量,发现可在不显著影响性能的情况下修改大量参数低位,且模型性能存在明显的快速退化阈值。
2023-06-25 cs.CR cs.LG
Few-Shot Backdoor Attacks on Visual Object Tracking
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院,清华大学);Peng Cheng Laboratory(鹏城实验室);School of Computer Science, Fudan University(复旦大学计算机科学技术学院)
视觉对象跟踪(VOT)已被广泛应用于关键任务应用,如自动驾驶和智能监控系统。在目前的实践中,第三方资源,如数据集,骨干网络,和训练平台经常被用来训练高性能的VOT模型。虽然这些资源带来了一定的便利,但它们也给VOT模型带来了新的安全威胁。在本文中,我们揭示了这样一种威胁,即对手可以通过调整训练过程轻松地将隐藏的后门植入VOT模型。具体来说,我们提出了一个简单而有效的Few-Shot后门攻击(FSBA),优化两个损失交替:1)\emph{feature loss}定义在隐藏的特征空间,和2)标准的\emph{tracking loss}。我们表明,一旦后门被嵌入到目标模型由我们的FSBA,它可以欺骗模型失去跟踪特定的对象,即使\emph{trigger}只出现在一个或几个帧。我们在数字和物理世界的设置中检查我们的攻击,并表明它可以显着降低最先进的VOT跟踪器的性能。我们还表明,我们的攻击是抵抗潜在的防御,突出了潜在的后门攻击的VOT模型的脆弱性。
2022-05-04 cs.AI cs.CR cs.CV
Applying Memory Forensics to Rootkit Detection
易失性内存转储及其分析是数字取证的重要组成部分。在许多用于内存转储的各种软件和硬件方法中,有作者指出这些方法中的一些方法对各种反取证技术没有弹性,而其他方法需要重新引导或高度依赖于平台。新的弹性工具有一定的缺点,如速度慢或rootkit直接操纵内核结构,如页表的脆弱性。本文介绍了一种新的内存取证系统--隐藏疑难异常恶意软件分析系统(MASHKA)。它对流行的反法医技术具有弹性。该系统可用于执行各种内存取证任务。本文介绍了如何应用该系统的研究和检测内核模式rootkit,并提出了最流行的反rootkit工具的分析。
2015-06-12 cs.CR
Few-shot Backdoor Defense Using Shapley Estimation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);The University of Sydney(悉尼大学);JD Explore Academy(京东探索研究院)
在过去十年中,深度神经网络在自动驾驶、人脸识别和医疗诊断等各种任务中取得了令人印象深刻的性能。然而,先前的工作表明,深度神经网络很容易在推理阶段被后门攻击操纵成特定的、攻击者决定的行为,后门攻击将恶意的小隐藏触发器注入模型训练,从而引发严重的安全威胁。为了确定被触发的神经元并防止后门攻击,我们利用Shapley值并开发了一种名为Shapley Pruning(Shaping Pruning)的新方法,该方法成功地减轻了数据不足情况下(每个类1张图像甚至没有数据)模型的后门攻击。考虑到神经元之间的相互作用,Shaping Pruning识别出少数受感染的神经元(不到所有神经元的1%),并在修剪尽可能多的受感染神经元后,设法保护模型的结构和准确性。为了加速ShapPruning,我们进一步提出了丢弃阈值和$ε$ -贪婪策略来加速Shapley估计,使得在几分钟内修复中毒模型成为可能。实验表明,我们的方法对各种攻击和任务的有效性和鲁棒性相比,现有的方法。
2022-10-21 cs.CR cs.CV cs.NE