Feb, 2017

eXpose: 检测恶意 URL、文件路径和注册表键的字符级卷积神经网络和嵌入

PDF
TL;DR该论文提出了一种基于深度学习的 eXpose 神经网络，它能够自动提取特征并进行分类，与传统的基于手动特征提取的方法相比，在入侵检测方面取得显著的性能提升。
发现论文，激发创造
  • 通过深度学习学习 URL 表达以进行恶意 URL 检测的 URLNet

    本文介绍 URLNet，一种基于端到端深度学习的框架，可直接从 URL 中学习非线性嵌入以对恶意 URL 进行检测。通过应用卷积神经网络来学习 URL 字符和单词的嵌入，该方法允许模型捕捉不同类型的语义信息，并通过高级词嵌入来解决任务中出现的罕见词问题。在大规模数据集上进行的实验表明，该方法优于现有方法，可显著提高模型性能。

    Feb, 2018

  • 利用特征工程和特征学习进行动态恶意软件分析

    该研究提出了一种基于神经网络的低成本特征提取方法，能够准确快速地检测恶意软件，通过实验发现，在真实数据集上，该方法在特征工程和架构设计方面有较好的表现。

    Jul, 2019

  • PhishGuard: 基于卷积神经网络的用于检测钓鱼 URL 的模型，并使用可解释性分析

    网络安全是全球性问题之一，钓鱼网址鉴别是解决此问题的最佳方式。本论文提出了一种一维卷积神经网络模型，通过全面的特征和大量数据训练，实现了 99.85% 的准确度，并强调了对于识别钓鱼网址有重要贡献的某些特征。

    Apr, 2024

  • 基于字节的深度神经网络用于恶意软件分类的激活分析

    使用深度学习模型从二进制数据中自动学习特征表征，在对恶意软件分类中取得了一定的成果，同时探索了训练数据规模和正则化等因素对分类器性能的影响。

    Mar, 2019

  • 基于频域图像可视化和深度学习的恶意软件检测

    该研究提出了一种基于图像分类的新方法来检测和可视化恶意软件，其使用 N-gram (DCT) 离散余弦变换和神经网络对可执行二进制文件进行表征和分类，利用自动生成的图像转换为视觉数据集用于训练和测试，最终获得了 96% 的分类精度。

    Jan, 2021

  • 深度神经网络自动复制 / 粘贴攻击的诊断

    介绍了一种名为 SNAFUE 的自动化方法，可用于识别神经网络的弱点，以找到‘复制 / 粘贴’攻击，利用这种方法可以生成对抗性数据。

    Nov, 2022

  • 基于深度神经网络的二维二进制程序特征恶意软件检测

    本文介绍了一种基于深度神经网络的恶意软件分类器，可以在商品硬件上处理实际金融企业数据达到 95% 的检测率和 0.1% 的误报率。

    Aug, 2015

  • ConFoc: 基于内容焦点的神经网络特洛伊攻击防护

    本文针对深度神经网络在图像应用中受到的特洛伊攻击，提出一种基于内容而非样式的防御技术，通过分析神经网络中样式和内容的学习和识别方式，成功将攻击成功率下降至小于 1％，同时保持和提高模型在良性和对抗性数据处理中的准确性。

    Jul, 2020

  • 基于密集连接网络的字符级特征提取

    本文中提出了一种使用密集连接网络自动提取字符级特征的新方法，该方法不需要任何语言或任务特定的假设，在三个序列标注任务 - 槽填充、词性标注和命名实体识别 - 上表现出 robustness 和效力，以 96.62 的 F1-score 和 97.73％的准确度在槽填充和词性标注上获得了最先进的性能，同时在 NER 上可比的表现达到了 91.13 的 F1 得分

    Jun, 2018

  • 解释深度学习对抗恶意软件二进制文件的漏洞

    通过解释性机器学习方法，这项研究发现一个新的攻击算法可以仅更改文件头中的少数字节来生成恶意软件二进制文件，并提出了一个解决方案来解释深度学习算法中易受对抗性示例影响的问题。

    Jan, 2019