面向恶意软件分类的视觉转换器加速方案
密码学与安全
2024-10-01 v1 计算机视觉与模式识别
机器学习
摘要
近期恶意软件攻击的频率和规模不断增加，凸显了在不断演变的网络安全环境中快速精准恶意软件分类的紧迫需求。关键挑战在于准确地对 closely related 恶意软件家族进行分类。为应对这一不断演变的威胁格局，本文提出了一种新型架构 LeViT-MC，能够在恶意软件检测和分类方面取得最先进的结果。LeViT-MC 利用基于视觉转换器的架构、基于图像的可视化方法以及高级迁移学习技术。在使用 MaleVis 数据集进行多类恶意软件分类的实验结果表明，LeViT-MC 在现有模型中具有显著优势。本研究强调了将图像方法与迁移学习技术相结合、以视觉转换器为前沿的重要性，这对于在持续应对演变网络威胁方面至关重要。我们提出了一种新型架构 LeViT-MC，不仅在图像分类方面实现了最先进的结果，而且在时间效率上也更具优势。
引用
@article{arxiv.2409.19461,
title = {Accelerating Malware Classification: A Vision Transformer Solution},
author = {Shrey Bavishi and Shrey Modi},
journal= {arXiv preprint arXiv:2409.19461},
year = {2024}
}
备注
8 pages, 5 figures, 1 table Submitted to Neurips 2024 ML for system worshop