MMNov, 2021

OMD: 使用音频、图像和静态特征的正交恶意软件检测

PDF
TL;DR通过结合音频描述符，图像相似度描述符和其他静态 / 统计特征，提出了一种新颖的正交检测方法来鉴别恶意软件，有效地应对恶意软件和网络攻击的增加。
发现论文，激发创造
  • 混淆恶意软件检测：通过内存分析研究真实场景

    本研究通过内存转储分析，利用多样的机器学习算法提出了一种简单且具有成本效益的混淆恶意软件检测系统。通过评估决策树、集成方法和神经网络等多种机器学习算法在内存转储中检测混淆恶意软件的效果，研究涵盖了多个恶意软件类别，为增强网络安全并抵御不断演变和复杂化的恶意软件威胁提供了新的洞见。

    Apr, 2024

  • 使用强化学习发现指挥与控制渠道

    通过采用基于强化学习的方法，模拟了一个三阶段的命令与控制流程，并建立了一个马尔可夫决策过程来最大化数据窃取的有价值主机数量，同时考虑到负载和防御机制，该方法在网络安全领域具有高效性且成果良好。

    Jan, 2024

  • 深度学习在智能电网网络中推动主动网络安全措施的作用：综述

    智能电网越来越依赖于传感器和通信系统等先进技术来实现高效的能源生成、分配和消费，这使得它们成为了复杂网络攻击的目标。这项调查研究了最新的深度学习技术在智能电网主动网络安全方面的应用，并提供了基于深度学习的主动防御方法的综合分类和分析，以及与动态目标防御策略的交互作用，同时讨论了实际应用中的挑战和未来发展前景。

    Jan, 2024

  • 通过基于 AI 的反应系统解决网络攻击问题：综述与未来展望

    综述了人工智能在网络安全中应对威胁系统的最新进展，提供了对人工智能与网络安全交叉领域的全面分析，指出了未来研究的挑战。

    Dec, 2023

  • 通过将机器学习与 Cuckoo 沙盒集成来增强恶意软件检测

    本研究通过使用深度学习算法（如 CNN 和 RNN）对包含 API 调用序列的数据集进行恶意软件分类和识别，与传统的机器学习方法（如 SVM、RF、KNN、XGB 和 GBC）进行性能对比，发现深度学习和机器学习算法在某些情况下均能达到高达 99% 的准确率。

    Nov, 2023

  • 增强企业网络安全：比较机器级和进程级分析用于动态恶意软件检测

    分析恶意软件的重要性在于理解恶意软件的工作原理并开发适当的检测和预防方法。通过动态分析可以克服常用的规避静态分析的技术，并提供关于恶意软件运行时活动的见解。我们提出了一个基于进程级别的循环神经网络（RNN）检测模型，该模型相较于基于机器级别的检测模型有更好的性能。

    Oct, 2023

  • 通过特征选择提高基于内存的恶意软件分类的效率与隐私

    使用三种特征选择方法从内存内容中识别显著特征，并与各种分类器结合使用，提高分类任务的性能和隐私保护。实验结果表明，采用相互信息和其他方法进行特征选择策略，以及仅选择 25% 和 50% 的输入特征，然后采用随机森林分类器可以取得最佳结果。该研究通过提高恶意软件分类系统的效果和隐私保护性能，有助于保护免受恶意软件的安全威胁。

    Sep, 2023

  • 机器学习驱动的图组合优化增强网络韧性：在网络防御和信息扩散中的应用

    该论文旨在设计有效、高效、可扩展的技术，发现网络中的瓶颈节点和边，以增强网络的弹性，特别是在网络防御和信息传播的应用领域。

    Sep, 2023

  • MalwareDNA: 恶意软件、恶意软件家族和新型恶意软件的同时分类

    利用机器学习对恶意软件进行分类和识别的方法可以确切地辨认新型恶意软件家族，并将分类和家族识别能力统一到一个框架中。

    Sep, 2023

  • 基于模型的增强学习中的 MEME 的力量：对抗性恶意软件创建

    该研究论文提出了一种结合恶意软件规避和模型提取的新算法（MEME），采用基于模型的强化学习来对 Windows 可执行二进制样本进行恶意修改，并同时训练具有与目标模型高度一致性的替代模型进行规避。结果显示，MEME 在几乎所有情况下的规避能力（32-73%）超过了现有方法，并产生了与目标模型之间预测标签一致性（97-99%）的替代模型，可用于未来的微调和改进规避率。

    Aug, 2023