面向动态恶意软件分析的智能方法与可解释AI研究
密码学与安全
2025-08-15 v1 信息论
math.IT
摘要
深度学习模型是一种安全策略，需在大规模数据集上进行训练，在识别恶意代码中复杂模式方面发挥关键作用，用于检测和响应此类威胁。然而，这些模型的不可见本质——常被描述为“黑盒”——使得其决策过程即便是其创造者也难以理解。为此，本研究通过整合可解释AI（XAI）技术来增强恶意软件检测模型的可解释性和可信度。在本研究中，我们考虑使用多层感知器（MLP）进行动态恶意软件分析，这一较少探索的领域，并评估MLP、CNN、RNN和CNN-LSTM模型在恶意软件分类中的有效性和透明度，通过可解释AI（XAI）的视角进行评估。这种全面的方法旨在深入剖析深度学习模型的内部工作，促进对其在网络安全情境中预测能力的更好理解和信任。据我们所知，这种深入的分析和实现尚未以这种方式完成。
引用
@article{arxiv.2508.10652,
title = {A Novel Study on Intelligent Methods and Explainable AI for Dynamic Malware Analysis},
author = {Richa Dasila and Vatsala Upadhyay and Samo Bobek and Abhishek Vaish},
journal= {arXiv preprint arXiv:2508.10652},
year = {2025}
}