面向恶意软件检测、可解释性与数据集构建的 GNN 导向研究与开发组合
密码学与安全
2025-11-27 v1
摘要
图神经网络 (GNN) 已成为通过图结构表示捕获程序执行的有效恶意软件检测工具。然而，关于可扩展性、可解释性以及可靠数据集可得性的重要挑战仍然存在。本文汇集了六项相关研究， collectively 解决了这些问题。该组合从图基恶意软件检测和可解释性综述开始，随后发展出新的图约简方法、集成约简-学习方法以及对解释一致性的调查。还引入基于子图匹配的双重解释技术，并开发基于注意力引导的堆叠 GNN 以实现集成模型，提高可解释性。同时，发布了控制流图的数据集，以支持可重复性并为未来研究提供基础。通过这些贡献，形成一条连贯的研究线索，加强了基于 GNN 的恶意软件检测，通过提高效率、增加透明度并提供坚实的实验基础来实现这一目标。
引用
@article{arxiv.2511.20801,
title = {A Research and Development Portfolio of GNN Centric Malware Detection, Explainability, and Dataset Curation},
author = {Hossein Shokouhinejad and Griffin Higgins and Roozbeh Razavi-Far and Ali A. Ghorbani},
journal= {arXiv preprint arXiv:2511.20801},
year = {2025}
}
备注
Accepted in 2025 IEEE International Conference on Data Mining Workshops (ICDMW)