May, 2024

应对恶意软件概念漂移的主动性和解释性手段

PDF
TL;DRDREAM 是一种新颖的系统，通过模型敏感性和数据自主性增强漂移检测，在半监督训练中主动捕捉恶意软件行为概念，并通过嵌入于检测器的潜在空间的恶意软件标签和概念解释扩大人工干预，以协调分类器和检测器的更新过程，从而能够有效提高漂移检测准确性并减少漂移适应的专家分析工作。
deep learningmalware classifiersconcept driftdreamdrift detection
发现论文，激发创造
  • MORPH：面向恶意软件检测的自动概念漂移适应

    在这项研究中，我们提出了一种名为 MORPH 的有效基于伪标签的概念漂移自适应方法，特别适用于神经网络。通过对 Android 和 Windows 恶意软件数据集的广泛实验分析，我们证明了我们的方法在减轻概念漂移影响方面的功效。我们的方法在与主动学习相结合时减少了注释工作的优势。此外，我们的方法在自动化恶意软件检测中明显优于现有方法的概念漂移自适应工作。

    Jan, 2024

  • 恶意软件检测中针对概念和数据漂移的神经网络优化

    以机器学习模型为基础的恶意软件检测面临恶意软件不断进化导致的概念漂移问题，本研究提出一种模型无关的协议来改善基线神经网络处理漂移问题，并展示了特征约简和使用最新验证集进行训练的重要性，同时还提出了一种名为 DRBC（Drift-Resilient Binary Cross-Entropy）的损失函数，对抗漂移效果更佳。我们在 EMBER 数据集（2018 年）上进行模型训练，并在 2020 年至 2023 年收集的最新恶意文件数据集上进行评估。改进后的模型表现出有希望的结果，检测到比基线模型多 15.2% 的恶意软件。

    Aug, 2023

  • 概念漂移检测器是可靠的警报系统吗？-- 一项比较研究

    该研究通过比较基于错误率和数据分布的概念漂移检测器的性能，并评估它们在识别漂移时的可靠性，为实践者提供了指导建议和警报系统的适用性分析。

    Nov, 2022

  • 通过利用未来的恶意软件预测来对抗概念漂移

    通过对比恶意软件检测分类器的两种未来样本预测方法（对抗训练和生成对抗网络），研究发现对抗训练方法虽能得到更稳健的分类器，但并不是恶意软件未来样本预测的好方法；与此不同的是，生成对抗网络能够成功用作未来恶意软件的预测方法，并显著提高分类器对新样本的准确性。

    Apr, 2024

  • 批处理 Android 恶意软件检测模型的高效概念漂移处理

    通过重新训练技术和概念漂移检测的机制，可以有效地在不断变化的环境中维持静态安卓恶意软件检测器的性能。

    Sep, 2023

  • 深度学习表示中的无监督概念漂移实时检测

    提出了 DriftLens，一种基于深度学习表示的无监督实时概念漂移检测框架，能够比以前的方法更好地检测漂移，在至少 11 个测试用例中运行速度至少快 5 倍，并且其检测到的漂移值与实际漂移量非常相关（相关性≥0.85），对参数变化具有鲁棒性。

    Jun, 2024

  • Android 恶意软件检测的连续学习

    我们提出了一种使用主动学习和对比学习相结合的新层次对比学习方案和样本选择技术用于持续训练 Android 恶意代码分类器来解决其概念漂移问题。与以前的主动学习方法相比，我们的方法显着提高了性能表现，降低了误识别率，并在七年的时间段内保持了更加一致的表现。

    Feb, 2023

  • DetAIL：一款自动检测和分析语言漂移的工具

    本论文旨在确保 “基于机器学习和深度学习” 的系统能够像传统软件一样可靠。论文提出了一种度量数据漂移的方法以及在其发生时自适应地重新训练模型的方法，并生成不同层面的解释以理解漂移原因。

    Nov, 2022

  • 使用整体私有模型集的概念漂移检测

    深度神经网络（DNNs）是最广泛使用的机器学习算法之一。本文关注集成私有 DNNs 的概念来检测概念漂移，并引入一种名为 IPDD 的集成方法，不需要标签即可检测漂移。实验证明该方法在隐私性和效用上具有可比性。

    Jun, 2024

  • 从概念漂移到模型退化：性能感知漂移检测器综述

    本文介绍了预测机器学习模型在实际应用中由于系统动态性带来的性能退化问题，对概念漂移的类型做出了统一分类，并对最近十年中提出的基于性能的概念漂移检测方法进行了回顾和分类，还提出了跟踪和评估预测系统中模型性能的主要属性和策略，并探讨了开放性研究挑战和可能的研究方向。

    Mar, 2022