Mar, 2024

WannaLaugh: 身份可配置的勒索软件模拟器 -- 学习模仿恶意存储操作

PDF
TL;DR该研究论文介绍了一种新型的勒索软件模拟器，用于研究勒索软件的行为特征，并展示了如何使用此模拟器来训练有效的机器学习模型，以检测勒索软件，并在机器学习驱动的网络安全中取得了显著进展。
发现论文，激发创造
  • 运用强化学习进行高级勒索软件攻击模拟的红队技术

    该研究使用增强学习方法来模拟勒索软件攻击，通过训练模型来快速学习有效的攻击策略，揭示网络弱点并开发更强大的防御措施。

    Jun, 2024

  • 通过网络流量分析和机器学习技术来缓解勒索软件威胁

    这篇论文集中讨论了一种在计算机网络中识别和检测勒索软件的方法，该方法基于机器学习算法和对网络流量模式的分析，显示机器学习算法可以通过网络流量准确识别和检测勒索软件。

    Jan, 2024

  • 基于人工智能的恶意软件和勒索软件检测模型

    本文介绍了使用不同的机器学习和深度学习模型进行恶意软件检测、恶意软件分类和勒索软件检测的一种新颖且灵活的解决方案，并且将两个优化过的模型组合起来，证明了在检测性能和灵活性方面都有所提高。特别是，我们的综合模型为使用专业的、可互换的检测模块进行简单的未来增强铺平了道路。

    Jul, 2022

  • RansomAI: 基于人工智能的勒索软件，用于隐蔽性加密

    提出了一种基于强化学习的框架 RansomAI，旨在通过学习最佳加密算法、速率和持续时间，使勒索软件可以自适应地调整其加密行为，并保持隐身，使其不易被检测到。实验结果表明，该框架可以在少数几分钟内达到超过 90％的准确率，成功逃避了 Crowdsensor 上运行的 Ransomware-PoC 的检测。

    Jun, 2023

  • 利用进程内存进行勒索软件检测

    对受勒索软件的扫描，采用访问进程内存的特权，利用多种机器学习算法进行分类，以更易准确地检测受勒索软件的特征和行为。

    Mar, 2022

  • EGAN: 恶意软件免疫进化型 GAN

    提出了一种名为 EGAN 的攻击框架，该框架利用进化策略和生成对抗网络选择攻击动作序列，以改变勒索软件文件的行为，从而绕过大部分 AI 型商业杀毒系统，并增加了绕过其他商业非 AI 型杀毒解决方案的概率。

    May, 2024

  • 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

  • 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

  • 机器学习中的勒索软件检测与分类

    使用 XGBoost 和随机森林算法进行勒索软件攻击的检测和分类，证明其高准确性，为增强网络安全提供了有价值的工具。

    Nov, 2023

  • NASimEmu：用于训练智能体攻击应对策略的网络攻击模拟器及仿真器，具有推广到新场景的能力

    本研究通过引入新的框架 NASimEmu，通过为训练提供模拟器和仿真器，旨在使 penetration testing agents 更容易在模拟环境中训练，并能够在真实的仿真环境中进行测试评估，以提高仿真器的现实性和性能。

    May, 2023