一种用于 PE 恶意软件检测的深度学习新方法：探索 Glove 向量化、MCC_RCNN 与特征融合
密码学与安全
2021-02-05 v3 机器学习
摘要
近年来，恶意软件变得更具威胁性。面对不断增加的恶意软件变体，出现了基于机器学习(ML)和基于深度学习(DL)的启发式检测方法。然而，两者的预测精度都有待提高。针对 PE 恶意软件领域的上述问题，我们提出基于 DL 的检测方法，并使用输入模型的静态特征。贡献如下：我们概述现有恶意软件检测方法；提出基于 Glove 的恶意软件指令层与语义层向量化表示模型；我们实现了一种称为 MCC_RCNN（恶意软件检测与循环卷积神经网络）的神经网络模型，由 CNN 与 RNN 组合构成；此外，我们给出了静态行为层面特征融合的描述。通过针对 Glove 向量化、基于 MCC_RCNN 的分类方法和特征融合阶段进行的若干对比实验数值结果，我们提出的分类方法可获得比其他基线方法更高的预测精度。
引用
@article{arxiv.2101.08969,
title = {A novel DL approach to PE malware detection: exploring Glove vectorization, MCC_RCNN and feature fusion},
author = {Yuzhou Lin},
journal= {arXiv preprint arXiv:2101.08969},
year = {2021}
}
备注
Some errors made in paper