基于深度学习的恶意软件检测综述
密码学与安全
2024-07-30 v1 机器学习
摘要
恶意软件（malware）检测与分类是一个复杂任务，尚无完美的解决方案。仍有大量工作待开展。与其他研究领域不同，恶意软件检测缺乏标准基准数据集。本文旨在通过调查近期在 MacOS、Windows、iOS、Android 和 Linux 上使用深度学习（DL）进行恶意软件检测的最新进展来了解 DL 在文本和图像分类中的应用情况，探讨使用预训练模型和多任务学习模型进行恶意软件检测以获得高准确率的做法，以及在标准基准数据集存在时的哪种方法最为理想。我们通过综述这些 DL 分类器的有效性及其无法向 DL 开发者解释其决策和行动的局限性，提出需要使用可解释机器学习（XAI）或可解释机器学习（IML）工具。此外，我们讨论了对抗性攻击对深度学习模型的影响，这些攻击会损害其泛化能力，导致在未见数据上的表现不佳。我们认为需要在不同恶意软件数据集上训练和测试当前最先进的深度学习模型的有效性和效率。我们检阅了八种流行的 DL 方法在 various 数据集上的应用。本综述将帮助研究人员全面理解恶意软件识别中的深度学习方法。
引用
@article{arxiv.2407.19153,
title = {A Survey of Malware Detection Using Deep Learning},
author = {Ahmed Bensaoud and Jugal Kalita and Mahmoud Bensaoud},
journal= {arXiv preprint arXiv:2407.19153},
year = {2024}
}