图神经网络用于恶意软件分类的比较
机器学习
2023-03-24 v1 密码学与安全
摘要
管理恶意软件带来的威胁需要准确的检测与分类技术。传统检测策略如签名扫描,依赖对恶意软件的手动分析以提取相关特征,这耗费人力且需要专家知识。函数调用图由一组程序函数及其过程间调用构成,提供了丰富的信息源,可用于分类恶意软件,而无需传统技术中耗费人力的特征提取步骤。在本研究中,我们将恶意软件分类视为图分类问题。基于局部度轮廓(Local Degree Profile)特征,我们训练了广泛的图神经网络(GNN)架构以生成嵌入,随后对其进行分类。我们发现最佳的 GNN 模型优于先前涉及著名 MalNet-Tiny Android 恶意软件数据集的可比研究。此外,我们的 GNN 模型未遭受常困扰非 GNN 技术的过拟合问题,尽管 GNN 模型需要更长的训练时间。
引用
@article{arxiv.2303.12812,
title = {A Comparison of Graph Neural Networks for Malware Classification},
author = {Vrinda Malhotra and Katerina Potika and Mark Stamp},
journal= {arXiv preprint arXiv:2303.12812},
year = {2023}
}