通过图神经网络进行恶意软件家族分析的序列特征提取

Aug, 2022

通过图神经网络进行恶意软件家族分析的序列特征提取

Sequence Feature Extraction for Malware Family Analysis via Graph Neural Network

S. W. Hsiao, P. Y. Chu

TL;DR通过设计和实现关注感知图神经网络（AWGCN）来分析 API 调用序列，并利用其可嵌入性来分析恶意软件行为。同时，分类实验结果显示 AWGCN 在类似调用的数据集中优于其他分类器，并且嵌入可以进一步提高经典模型的性能。

Abstract

Malicious software (malware) causes much harm to our devices and life. We are eager to understand the malware behavior and the threat it made. Most of the record files of →

malware behavior analysis api call sequences graph neural network classification

发现论文，激发创造

用于源代码漏洞识别的顺序图神经网络

本文提出了一个用于帮助开发模型的 C/C++ 源代码漏洞数据集 CVEFunctionGraphEmbeddings（CVEFGE），该数据集是从 CVE 数据库中自动爬取的，并且提出了基于图神经网络的学习框架 SEquential Graph Neural Network（SEGNN）来学习大量的代码语义表示。我们的实验结果表明，SEGNN 在图分类设置中的表现优于两个数据集和四种基线方法。

May, 2023

Seq-HyGAN: 基于超图注意力网络的序列分类

提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

Mar, 2023

基于压缩图神经网络的在线服务高效用户序列学习

学习用户行为序列的表示对于各种在线服务至关重要，本文介绍了一种名为 ECSeq 的新型统一框架，该框架利用图压缩技术来改善用户序列表示学习的效率问题，并在序列分类和回归任务中展示了 ECSeq 的有效性。

Jun, 2024

门控图序列神经网络

本论文研究图结构数据的学习技术，以 Graph Neural Networks 为起点，使用门控循环单元和现代优化技术，并将其扩展为输出序列，展示出其在一些简单的 AI 和图算法学习任务中的能力，并在程序验证的问题中实现了最新水平的性能。

Nov, 2015

结构化神经网络摘要

通过将序列编码器与图形成分扩展，我们开发了一个框架，旨在处理文本等弱结构化数据中的长距离关系，从而实现对序列的概括。在广泛的评估中，我们展示了这种混合模型的优越性。

Nov, 2018

门控图神经网络实现的图到序列学习

提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题，可以对 AMR 图和基于语法的神经机器翻译进行生成，实验结果表明该模型优于强基线模型。

Jun, 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

属性序列嵌入

本文提出了一种基于深度多模态学习框架 NAS 的归纳属性序列嵌入方法，用于在不同的挖掘任务中学习属性序列的表达，该方法在多个真实数据集上进行了验证。

Nov, 2019

基于调用图聚类的恶意软件分类

使用通话图聚类技术进行恶意软件分析，可过滤掉某些程序特征的差异，从而检测到程序间的结构相似性，并结合聚类算法识别出恶意家族，实现恶意程序检测。

Aug, 2010

Series2Graph：基于图形的时间序列子序列异常检测

本研究提出了一种基于无监督学习的方法，“Series2Graph”，用于领域无关的子序列异常检测，无需标记实例或无异常数据，能够识别长度各异的异常，在 VLDB 2020 上发表。

Jul, 2022