云环境中基于机器学习的在线恶意软件检测分析
密码学与安全
2021-05-20 v1 人工智能
摘要
近来各云服务提供商（CSP）所提供的服务与功能种类急剧增加。利用此类服务为企业的基础设施云化创造了大量机会，进而帮助企业轻松灵活地为客户提供服务。将服务器访问权出租给客户用于计算和存储的做法称为基础设施即服务（IaaS）。IaaS 的流行引发了关于网络安全与隐私的严峻且关键的担忧。特别是，恶意实体常利用恶意软件攻击云服务，以窃取敏感数据或破坏其功能。为应对这一日益增长的威胁，云环境的恶意软件检测已成为被广泛研究的课题，众多方法被提出并部署。本文中，我们提出基于进程级性能指标的在线恶意软件检测，并分析了不同基线机器学习模型的有效性，包括支持向量分类器（SVC）、随机森林分类器（RFC）、K近邻（KNN）、梯度提升分类器（GBC）、高斯朴素贝叶斯（GNB）和卷积神经网络（CNN）。我们的分析得出结论：神经网络模型能最准确地检测恶意软件对云中虚拟机进程级特征的影响，因此最适合用于检测。我们的模型使用由 40,680 个恶意与良性样本组成的数据集进行训练、验证和测试。该数据集通过在实时云环境中运行不同族系的恶意软件（收集自 VirusTotal）并收集进程级特征编制而成。
引用
@article{arxiv.2105.09268,
title = {Analyzing Machine Learning Approaches for Online Malware Detection in Cloud},
author = {Jeffrey C Kimmell and Mahmoud Abdelsalam and Maanak Gupta},
journal= {arXiv preprint arXiv:2105.09268},
year = {2021}
}