基于图表示学习的恶意软件检测综述
密码学与安全
2023-08-21 v2 机器学习
摘要
由于恶意软件数量和复杂性的增加，恶意软件检测已成为主要关注问题。基于签名和启发式的传统检测方法被用于恶意软件检测，但不幸的是，它们对未知攻击的泛化能力差，且易被混淆技术规避。近年来，机器学习（ML）尤其是深度学习（DL）通过从数据中学习有用表示在恶意软件检测中取得了令人印象深刻的成果，并成为优于传统方法的解决方案。最近，此类技术在图结构数据上的应用在各个领域达到了最先进的性能，并展现出从恶意软件中学习更鲁棒表示的有前景结果。然而，目前尚无聚焦于基于图的深度学习用于恶意软件检测的文献综述。在本综述中，我们提供深入的文献回顾，在通用方法和架构下总结并统一现有工作。我们特别展示了图神经网络（GNNs）在从表示为具表达力图结构的恶意软件中学习鲁棒嵌入方面取得了有竞争力的结果，从而通过下游分类器实现高效检测。本文还回顾了用于欺骗基于图的检测方法的对抗攻击。文末讨论了挑战与未来研究方向。
引用
@article{arxiv.2303.16004,
title = {A Survey on Malware Detection with Graph Representation Learning},
author = {Tristan Bilot and Nour El Madhoun and Khaldoun Al Agha and Anis Zouaoui},
journal= {arXiv preprint arXiv:2303.16004},
year = {2023}
}
备注
Preprint, submitted to ACM Computing Surveys on March 2023. For any suggestions or improvements, please contact me directly by e-mail