评估加壳对基于机器学习的恶意软件检测与分类系统的影响
密码学与安全
2025-06-24 v1 人工智能
摘要
恶意软件的泛滥,特别是通过加壳技术,对静态分析和基于签名的恶意软件检测方法构成了重大挑战。对原始可执行代码进行加壳使得提取有意义的特征和签名变得困难。为了应对日益增多的恶意软件,研究人员和反恶意软件公司开始利用机器学习,并取得了非常有前景的结果。然而,关于加壳对基于静态机器学习的恶意软件检测和分类系统的影响,目前知之甚少。本研究通过调查加壳对基于静态机器学习的恶意软件检测和分类模型性能的影响来填补这一空白,特别关注使用可视化技术的模型。为此,我们对各种加壳技术及其对基于机器学习的检测器和分类器性能的影响进行了全面分析。我们的发现揭示了当前静态检测和分类系统的局限性,并强调了主动应对恶意软件作者不断演变的策略的必要性。
引用
@article{arxiv.2410.24017,
title = {Assessing the Impact of Packing on Machine Learning-Based Malware Detection and Classification Systems},
author = {Daniel Gibert and Nikolaos Totosis and Constantinos Patsakis and Giulio Zizzo and Quan Le},
journal= {arXiv preprint arXiv:2410.24017},
year = {2025}
}