结合 CNN 与条件 GAN 的可视化恶意软件检测框架
密码学与安全
2024-09-24 v1 人工智能
机器学习
摘要
结合机器学习(ML)的恶意软件可视化分析已被证明是改善不同平台上安全防御的有前景的解决方案。在这项工作中，我们提出了一个集成框架，以解决 ML 使用者在开发恶意软件检测系统时遇到的常见问题。即，设计了一个带有扩展的图像呈现系统，通过将每个变量编码为二进制数字并将其映射为黑白像素，来保留良性/恶意样本的身份。采用基于条件生成对抗网络(Conditional Generative Adversarial Network)的模型来生成合成图像，并缓解类别不平衡问题。由卷积神经网络构建的检测模型用于在包含和不包含人工合成样本的数据集上进行训练时验证性能。结果显示，这两种训练场景的准确率分别达到了 98.51% 和 97.26%。
引用
@article{arxiv.2409.14439,
title = {A Visualized Malware Detection Framework with CNN and Conditional GAN},
author = {Fang Wang and Hussam Al Hamadi and Ernesto Damiani},
journal= {arXiv preprint arXiv:2409.14439},
year = {2024}
}
备注
7 pages, 2022 IEEE International Conference on Big Data (Big Data), 2022