一种基于CNN-BiLSTM与特征融合的恶意代码检测新方法
密码学与安全
2024-10-15 v1 人工智能
摘要
随着互联网技术的飞速发展，恶意软件对计算机系统和网络安全的威胁日益加剧。恶意软件不仅影响个人隐私和安全，还对企业和国家的关键基础设施构成风险。恶意软件数量与复杂性的增加，以及其隐蔽性和多样性，对传统检测技术提出了挑战。静态检测方法难以应对变种和加壳恶意软件，而动态方法则面临成本高、风险大等问题，限制了其应用。因此，迫切需要新颖高效的恶意软件检测技术来提高准确性和鲁棒性。本研究首先采用minhash算法将恶意软件的二进制文件转换为灰度图像，然后使用GIST和LBP算法提取全局和局部纹理特征。此外，研究利用IDA Pro进行反编译并提取操作码序列，应用N-gram和tf-idf算法进行特征向量化。这些特征的融合使模型能够全面捕获恶意软件的行为特征。在模型构建方面，设计了一个CNN-BiLSTM融合模型，以同时处理图像特征和操作码序列，提升分类性能。在多个公开数据集上的实验验证表明，所提方法在准确率、召回率和F1分数上显著优于传统检测技术，特别是在检测变种和混淆恶意软件时具有更高的稳定性。本文的研究为恶意软件检测技术的发展提供了新思路，验证了特征与模型融合的有效性，具有广阔的应用前景。
引用
@article{arxiv.2410.09401,
title = {A Novel Approach to Malicious Code Detection Using CNN-BiLSTM and Feature Fusion},
author = {Lixia Zhang and Tianxu Liu and Kaihui Shen and Cheng Chen},
journal= {arXiv preprint arXiv:2410.09401},
year = {2024}
}