Jun, 2024

借助 eBPF 和 AI 抵制勒索软件

PDF
TL;DR我们提出了一种用于实时检测和防止勒索软件的两阶段方法，利用了 eBPF（Extended Berkeley Packet Filter）和人工智能来开发主动和被动措施，包括基于签名的检测和基于行为的技术，通过使用自定义的 eBPF 程序和自然语言处理（NLP）来监控进程活动以及勒索提示。通过利用 eBPF 的低级追踪能力并整合基于 NLP 的机器学习算法，我们的解决方案在零日攻击发生几秒钟后以 99.76％的准确率识别勒索软件事件。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于 CNN 模型的联邦学习检测勒索软件攻击

    计算仍然面临来自勒索软件的重大威胁，需要及时采取行动来防止。本文研究了一种基于人工智能的勒索软件检测方法，并提出了一种针对数字变电站受损运行的勒索软件攻击建模技术。首先，将二进制数据转换为图像数据，并将其输入到使用联邦学习的卷积神经网络模型中。实验证明，所提出的技术能以较高的准确率检测勒索软件。

    May, 2024

  • 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

  • 基于深度神经网络的二维二进制程序特征恶意软件检测

    本文介绍了一种基于深度神经网络的恶意软件分类器，可以在商品硬件上处理实际金融企业数据达到 95% 的检测率和 0.1% 的误报率。

    Aug, 2015

  • 增强企业网络安全：比较机器级和进程级分析用于动态恶意软件检测

    分析恶意软件的重要性在于理解恶意软件的工作原理并开发适当的检测和预防方法。通过动态分析可以克服常用的规避静态分析的技术，并提供关于恶意软件运行时活动的见解。我们提出了一个基于进程级别的循环神经网络（RNN）检测模型，该模型相较于基于机器级别的检测模型有更好的性能。

    Oct, 2023

  • 学习恶意软件行为的可解释表示

    本文介绍了一种使用专业检测器和神经网络来识别威胁和恶意软件的方法，并且使用集成梯度方法来突出表现出威胁的特征行为模式，最后通过大规模数据的实验，探索了卷积神经网络、LSTMs 和变形金刚网络的有效性及无监督预训练技术在检测 njRAT 等恶意软件中的应用。

    Jun, 2021

  • 基于循环神经网络的早期恶意软件预测

    本文研究了基于行为数据短快照的预测模型，发现一组递归神经网络能够在文件执行的前 5 秒内以 94% 的准确率预测文件是否为恶意文件。这使得终端安全防护能够使用行为数据阻止恶意负载，而不是检测后进行修复。

    Aug, 2017