图积分在功能比较与恶意软件分类中的应用
人工智能
2019-11-15 v6
摘要
我们通过考察由给定文件所含函数集合导出的有向图，将 .NET 文件分类为良性或恶意。每个图被概率地视为一个马尔可夫链，其中每个节点表示相应函数的代码块，通过计算 PageRank 向量（带传输的 Perron 向量），可在给定图的节点上定义概率测度。每个图通过对给定图上顶点集定义的手工特征函数关于 PageRank 测度计算 Lebesgue 反导数而向量化。文件随后通过聚合反编译给定文件所得图集合对应向量集来向量化。结果是一种快速、直观且易于计算的玻璃盒向量化方案，可用于训练独立分类器或扩充现有特征空间。我们将此向量化技术称为 PageRank 测度积分向量化 (PMIV)。我们通过在内部分语料库 250 万个反编译 .NET 样本（良性与恶意各半）上训练朴素随机森林来展示 PMIV 的效力，并将该模型与利用纯文本特征空间的基线模型比较。反编译与评分所需中位时间为 24ms。
引用
@article{arxiv.1810.04789,
title = {Applications of Graph Integration to Function Comparison and Malware Classification},
author = {Michael A. Slawinski and Andy Wortman},
journal= {arXiv preprint arXiv:1810.04789},
year = {2019}
}