加密索要巨额赎金：基于增强单次学习与贝叶斯近似的勒索软件分类
计算机视觉与模式识别
2019-08-20 v1 密码学与安全
机器学习
摘要
新出现的勒索软件变体通过对大数据处理与分析，对掌控现代生活各方面的计算机系统构成日益增长威胁。尽管近期各种基于安全的方法聚焦于在网络或系统层面检测与分类勒索软件，但面向普通用户的易用感染后勒索软件分类此前尚未被尝试。本文研究仅基于使用任何现代移动设备常见消费级相机捕获的启动画面或勒索信截图的系统感染勒索软件分类可能性。为训练与评估我们的系统，我们创建了包含50种知名勒索软件变体启动画面的样本数据集。在我们的数据集中，每种勒索软件仅有一张训练图像可用。我们未创建大规模勒索软件截图训练集，而是通过精心设计的数据增强技术模拟截图捕获条件，从而实现简单高效的一次性学习。此外，利用通过贝叶斯近似获得的模型不确定性，我们确保将无关非勒索软件图像与先前未见勒索软件变体等特殊输入情形正确识别以作特殊处理，而非误分类。大量实验评估证明了我们工作的有效性，勒索软件分类准确率高达 93.6%。
引用
@article{arxiv.1908.06750,
title = {A Kings Ransom for Encryption: Ransomware Classification using Augmented One-Shot Learning and Bayesian Approximation},
author = {Amir Atapour-Abarghouei and Stephen Bonner and Andrew Stephen McGough},
journal= {arXiv preprint arXiv:1908.06750},
year = {2019}
}
备注
Submitted to 2019 IEEE International Conference on Big Data