Oct, 2023

基于迁移学习的不平衡恶意软件字节图像分类的比较分析

PDF
TL;DR通过比较六个多类分类模型在三个数据集上的性能，观察了类别不平衡对模型性能和收敛的影响，发现类别不平衡越严重，收敛所需的时期越少，而不同模型的性能也存在较大差异。此外，研究还发现 ResNet50、EfficientNetB0 和 DenseNet169 可以很好地处理不平衡和平衡的数据，其中不平衡数据集的最高精度达到了 97%，中等不平衡数据集的最高精度达到了 95%，完全平衡的数据集的最高精度也达到了 95%。
发现论文，激发创造
  • 基于图像的恶意软件分类的迁移学习

    本文研究利用图像分析进行恶意软件检测与分类问题，通过将可执行文件转化为图像并采用基于深度学习模型的图像识别，利用现有大数据集上的预训练深度学习模型进行迁移学习训练。通过与 k - 最邻近算法相比较，实验表明深度学习模型具有更好的泛化性能。

    Jan, 2019

  • 优化脑肿瘤分类：关于深度学习模型中的迁移学习和不平衡处理的综合研究

    通过利用预训练的卷积神经网络，结合深度学习和迁移学习的方法，本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类，实现了 96% 的准确率。

    Aug, 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

  • 基于高分辨率图像的恶意软件分类使用多实例学习

    本文提出了一种利用高分辨率灰度图像和多实例学习将恶意软件分类为家族的新方法，以克服敌对二进制扩大。通过经验分析和实验表明，现有的基于可视化的恶意软件分类方法往往依赖于输入的有损转换，如调整大小来处理大型、大小可变的图像，而这些方法会导致关键信息的丢失，被利用。提出的解决方案将图像划分为补丁，并使用嵌入式多实例学习、卷积神经网络和注意力聚合函数进行分类。该实现在 Microsoft 恶意软件分类数据集上进行评估，并在与基线 22.8% 相比，对敌对扩大样本的准确率达到 96.6%。Python 代码可在此 https URL 上在线获取。

    Nov, 2023

  • 恶意软件分类中机器学习的解密：数据集、特征提取和模型性能的深入探究

    调查了影响基于机器学习的恶意软件检测和分类的关键因素，并发现静态特征优于动态特征，并且结合二者只能稍微改善静态特征的性能。不同包装方式与分类准确性之间没有关联，而在动态提取特征中缺少行为极大地惩罚了它们的性能。较大数量的待分类家族使分类变得更困难，而每个家族的样本数越多，准确性越高。最后，发现在每个家族的样本均匀分布的情况下训练的模型对未见数据更好地推广。

    Jul, 2023

  • 恶意软件检测中机器学习对 Mal-API-2019 数据集的综合评估

    本研究使用机器学习技术对恶意软件检测进行了全面研究，重点评估了在 Mal-API-2019 数据集上使用各种分类模型的效果，旨在通过更有效地识别和减轻威胁来提升网络安全能力。研究探讨了集成和非集成的机器学习方法，例如随机森林、XGBoost、K 最近邻（KNN）和神经网络。特别强调了数据预处理技术的重要性，尤其是 TF-IDF 表示和主成分分析，在提高模型性能方面起到了积极作用。结果表明，集成方法，特别是随机森林和 XGBoost，相比其他方法表现出更高的准确性、精确度和召回率，凸显了它们在恶意软件检测中的有效性。该论文还讨论了限制和未来的潜在方向，强调了持续适应恶意软件演变性质的需求。这项研究为网络安全领域的持续讨论做出了贡献，并为在数字时代开发更强大的恶意软件检测系统提供了实用洞察。

    Mar, 2024

  • 深度多任务学习用于恶意软件图像分类

    一种新的多任务学习框架用于恶意软件图像分类，以实现准确快速的恶意软件检测，并通过与其他激活函数的实验结果表明，其在各个任务上的准确度高于 99.87％，能够有效检测隐藏技术并在准确性方面达到最新方法的水平。

    May, 2024

  • 利用深度神经网络进行恶意软件分类：性能评估与边缘设备应用

    利用深度神经网络（DNNs）对恶意软件进行分类的有效性和性能进行评估，结果表明在不同类型的恶意软件上，DNNs 能够准确分类且具有较高的准确率，且通过优化模型架构和利用边缘计算能力，这些 DNN 模型在资源受限场景下实现了高效性能，为提前检测恶意软件、防止攻击的不良影响做出了重要贡献。还讨论了将安全任务分配给边缘设备的最佳考虑，以确保大规模 IoT 系统在恶意软件攻击时不会受损，倡导更加弹性和安全的数字生态系统。

    Aug, 2023

  • 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

  • 多还是少的样本？比较加密流量分类中的迁移、对比和元学习

    研究了在流量分类领域中，如何通过使用代表性更强的表示来减少对大规模标注数据集的依赖性，通过比较迁移学习、元学习和对比学习，发现对比学习是最佳方法，而元学习最差，树状机器学习模型对于小任务适用，而深度学习方法正在通过复用学习表示达到与树状模型相同的性能水平。同时，通过两个公共数据集的实验验证了大数据集可以获得更一般性的表示。

    May, 2023