学习恶意软件行为的可解释表示

KDDJun, 2021

Learning Explainable Representations of Malware Behavior

Paul Prasse, Jan Brabec, Jan Kohout, Martin Kopp, Lukas Bajer...

TL;DR本文介绍了一种使用专业检测器和神经网络来识别威胁和恶意软件的方法，并且使用集成梯度方法来突出表现出威胁的特征行为模式，最后通过大规模数据的实验，探索了卷积神经网络、LSTMs 和变形金刚网络的有效性及无监督预训练技术在检测 njRAT 等恶意软件中的应用。

Abstract

We address the problems of identifying malware in network telemetry logs and providing \emph{indicators of compromise} -- comprehensible explanations of behavioral patterns that identify the threat. In our system, an array of specialized detectors abstracts network-flow data into compr

malware detection indicators of compromise neural network integrated-gradients unsupervised pre-training

发现论文，激发创造

可解释的恶意软件检测：基于定制化逻辑的解释网络

使用 Logic Explained Networks (LENs) 方法在复杂领域的恶意软件检测中，提供了解释模型决策的 First-Order Logic (FOL) 规则，并在实验结果中展示了其与传统可解释方法和黑盒模型相媲美的鲁棒性。

May, 2024

利用网络变换器进行自监督和可解释的异常检测

本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

Feb, 2022

大数据分析和分布式深度学习用于下一代入侵检测系统优化

本文介绍了一种基于深度循环神经网络技术和 Apache Spark 框架，实现了对流量异常检测的网络安全解决方案，具有更高的检测率和更低的误报率，可以检测集体和上下文安全攻击。该方法合并了语言处理、上下文分析、分布式深度学习、大数据和流量分析的概念，并在 MAWI 数据集上进行实验，结果表明，该方法不仅优于签名 IDS 和传统异常 IDS，在点异常检测方面表现更好，并有望在未来进一步证明其可靠性。

Sep, 2022

基于深度学习的结构化网络安全数据流非监督式内部威胁检测

提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

Oct, 2017

学习网络入侵检测：一种数据驱动的方法

本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

Aug, 2021

基于图神经网络的入侵检测的高效网络表示

我们提出了一种新颖的网络表示形式作为流图，旨在为入侵检测任务提供相关的拓扑信息，以及通过基于图结构的神经网络框架将通信流分类为恶意得分。我们还强调了传统评估程序可能存在的数据泄露问题，并提出了解决方案以确保入侵检测系统性能的可靠验证。通过实施提出的框架，证明利用基于流的图结构优于经典的基于机器学习和先前的基于图神经网络的解决方案。

Sep, 2023

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

利用 LSTM 和 GAN 进行现代恶意软件检测

该研究使用深度学习模型、LSTM 网络和 GAN 来提高恶意软件检测的准确性和速度，通过 VirusShare 数据集的训练和评估，表明深度学习在主动网络安全防御中发挥着决定性的作用。此外，研究还探讨了集成学习和模型融合方法对减少偏差和提高模型复杂性的影响。

May, 2024

预测网络监控 -- 利用机器学习和数据分析进行网络攻击的推测研究

利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

Dec, 2023

基于 Transformer 的有效载荷恶意软件检测与分类框架

基于变压器的恶意流量检测算法，在只使用有效载荷字节的情况下，能够有效区分测试数据集中的恶意流量与良性流量，实现了二进制分类的平均准确率为 79% 和多类分类实验的准确率为 72%。

Mar, 2024