May, 2024

基于 Opcodes 和 API 调用的恶意软件分类的 CNN-LSTM 和迁移学习模型

PDF
TL;DR通过使用基于 API 调用和操作码的新型模型，将恶意软件进行分类，将其特征转化为 N-grams 序列，并使用各种深度学习架构进行实验，最终取得了 99.91% 的高准确率。
malware classificationapi callsopcodesconvolutional neural networklong short-term memory
发现论文，激发创造
  • 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

  • 自然语言处理方法实现恶意软件分类

    通过混合架构，将概率模型中的隐藏状态序列提取为特征向量，从而在恶意软件检测中取得了比其他流行技术更好的结果。

    Jul, 2023

  • 使用机器学习技术的物联网系统恶意软件检测

    提出了一种 CNN-LSTM 混合模型，用于物联网恶意软件识别，并使用 K 折交叉验证评估了其性能，其准确率达到 95.5%，超越了现有方法。研究表明，CNN 算法有助于构建学习模型，而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。

    Dec, 2023

  • 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

  • 应用常数内存分类极长序列，用于恶意软件检测

    本文介绍了一种新的时间最大池化方法及全局通道门控设计，在提高传统 CNN 运行速度的同时，在能有效处理 100m + 长度的输入的情况下，还能够提高 MalConv 的性能。

    Dec, 2020

  • 基于深度学习方法的提升入侵检测性能的多攻击分类模型

    提出的模型介绍了新颖的深度学习方法，旨在创建可靠的入侵检测机制来帮助识别恶意攻击。通过三种方法构建了基于深度学习的解决方案框架，该模型在 NSL-KDD 数据集上进行了评估和多种攻击分类，并且相对于其他现有的浅层机器学习和深度学习模型，在准确性、检测率和低误报率方面都表现出色。

    Oct, 2023

  • 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

  • 基于系统调用的恶意软件检测的预训练大型语言模型中的迁移学习

    利用大型语言模型结合系统调用分析，通过重新训练检测恶意系统调用，该研究提出了一种新的框架来改进恶意软件的检测，实验表明具有更大上下文尺寸的模型能够实现更高的准确性和 F1 分数，这一方法在高风险环境中具有实时检测的潜力，为不断演变的网络威胁提供了稳固的解决方案。

    May, 2024

  • Android 恶意软件分类与归类的 N-opcode 分析

    本文提出了一种基于 n-opcode 分析的方法，利用机器学习来分类和归类 Android 恶意软件，实验结果表明：使用此方法可以达到 98％的 F-measure。

    Jul, 2016

  • 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