隐形恶意软件概览：攻击、缓解措施和自主开放世界解决方案的步骤

MMMar, 2016

隐形恶意软件概览：攻击、缓解措施和自主开放世界解决方案的步骤

A Survey of Stealth Malware: Attacks, Mitigation Measures, and Steps Toward Autonomous Open World Solutions

Ethan M. Rudd, Andras Rozsa, Manuel Günther, Terrance E. Boult

TL;DR该研究论文介绍了隐形恶意软件作为当前安全领域的威胁，提出了开发高效的反恶意软件解决方案的需求，并关注基于机器学习的自主解决方案，但机器学习中的错误假设限制了解决隐形恶意软件识别问题的方法，因此提出了一种适应性开放世界框架用于隐形恶意软件识别。

Abstract

As our professional, social, and financial existences become increasingly digitized and as our government, healthcare, and military infrastructures rely more on computer technologies, they present larger and more lucrative targets for malware. stealth malware in particular poses an inc

stealth malware anti-malware solutions machine learning adaptive open world framework malware detection

发现论文，激发创造

恶意软件分析的机器学习技术调查

该论文综述了在 Windows 环境下应用机器学习技术进行恶意软件分析的方法，并介绍了涉及的因素，包括目标、特征和算法。此外，文中还探讨了相关的数据集、问题和挑战以及未来研究方向，如恶意软件分析经济学。

Oct, 2017

基于人工智能的恶意软件检测技术现状综述

这项综述介绍了最新的人工智能技术在恶意软件检测和预防领域的应用，包括浅层学习、深度学习和生物启发计算，以及 PC、云、Android 和物联网等多种平台。同时，还涉及了黑客采用人工智能设计更高级的恶意软件以及利用人工智能算法自卫的现状。

Oct, 2022

对敌对攻击和防御的恶意软件分类调查

这项调查研究针对网络安全中恶意软件分类展示了当前对抗性攻击和防御策略的研究，将方法分类为生成模型、基于特征的方法、集成方法和混合策略，并评估了每个领域的优点和缺点，同时讨论了常用的数据集和评估标准，最后提出了开放性研究难题和未来的研究选项。

Dec, 2023

关于深度学习系统攻击幽灵化的研究

本文的研究旨在探讨对深度学习模型的攻击是否具有隐蔽性，以及对攻击样本的隐蔽性进行了两种不同的测试方法，并发现大多数攻击会对图像进行不可忽略的扰动，且分析了攻击隐蔽性的各个因素。

May, 2022

利用人工智能技术进行恶意软件检测和预防

介绍使用基于人工智能的技术来检测和预防恶意软件活动，强调现有恶意软件检测技术的局限性和提高效率的方法，并阐述了未来采用的方法。

Jun, 2022

静态恶意软件检测与隐蔽：量化机器学习和当前反病毒软件的稳健性

通过创建新的测试方法，我们评估了针对一组已知的 Benign & Malicious 文件执行敌对修改并评估性能变化的变化以及逃避技术，从而依靠实验证明了仅基于 ML 的系统可以比 AV 产品更有效地检测到试图通过修改来逃避的恶意软件，但在面临显着的新型攻击时可能反应较慢。

Jun, 2018

揭示安卓恶意软件检测中的机器学习解决方案关键

机器学习方法对于安卓恶意软件检测起到了关键作用，而本文则通过实证分析全面调查了基于机器学习的安卓恶意软件检测的研究进展，并总结出一些建议以引导未来的研究。

Feb, 2024

从结构交互中发现软件中的恶意签名

提出了一种新颖的计算机病毒检测方法，利用深度学习、数学技术和网络科学，通过对复杂网络中应用程序进行静态和动态分析，利用生成的网络拓扑图输入到 GraphSAGE 架构中，以节点特征表示操作名称，通过分析网络的拓扑几何结构进行预测，达到检测最新型计算机病毒并在虚拟机执行期间防止潜在损害的目的。实验证明，该方法在计算机病毒检测方面取得了显著的改进。

Dec, 2023

智能 OMVI：使用新的数据集识别混淆恶意软件变种

网络安全已成为数字时代的一个重要问题，恶意软件分析作为网络犯罪的一项重要组成部分，而为了解决这个挑战，开发了一个名为 “混淆恶意软件数据集” 的新数据集，其中使用了模仿恶意软件创建者的策略的混淆技术，通过应用不同的传统机器学习算法并进行对比，结果表明 XGBoost 算法的性能优于其他算法，达到了 82% 的准确率、88% 的精确率、80% 的召回率和 83% 的 F1-Score。

Sep, 2023

Windows 恶意软件检测和分类的机器学习方法、挑战与持续研究

该研究论文概述了如何利用机器学习构建用于 Windows 操作系统的恶意软件检测系统，介绍了机器学习流水线的主要组件、收集和维护最新数据集的挑战，以及包括基于特征和深度学习的最新恶意软件检测器。同时探讨了基于机器学习的恶意软件检测器所面临的主要挑战，包括概念漂移和对抗攻击，并简要总结了针对对抗性防御的正在进行的研究。

Apr, 2024