基于少样本元学习的利用熵特征的孪生神经网络用于勒索软件分类
密码学与安全
2022-04-12 v2
摘要
近年来，能够快速检测和分类不同勒索软件类别以制定快速响应计划的勒索软件防御方案需求很高。尽管采用深度学习技术提供自动化和自学习能力在许多应用领域已被证明适用，但勒索软件（及其他恶意软件）样本数据缺乏已被认为是开发有效深度学习方案的障碍。为解决此问题，我们提出了一种基于少样本元学习的孪生神经网络，不仅能检测勒索软件攻击，还能将其分类为不同类别。我们提出的模型利用直接从勒索软件二进制文件中提取的熵特征，以保留与不同勒索软件签名相关的更细粒度特征。这些熵特征进一步用于在元学习方式下使用预训练网络（如VGG-16）训练和优化我们的模型。与使用的特征图像相比，该方法生成更准确的权重因子，以避免通常与有限训练样本训练的模型相关的偏差。我们的实验结果表明，我们提出的模型在提供加权F1分数超过86%的比率方面非常有效
引用
@article{arxiv.2112.00668,
title = {A Few-Shot Meta-Learning based Siamese Neural Network using Entropy Features for Ransomware Classification},
author = {Jinting Zhu and Julian Jang-Jaccard and Amardeep Singh and Ian Welch and Harith AI-Sahaf and Seyit Camtepe},
journal= {arXiv preprint arXiv:2112.00668},
year = {2022}
}