面向基于深度学习的恶意软件检测的自动化机器学习
密码学与安全
2023-11-07 v2
摘要
深度学习（DL）已被证明在检测不断演化的复杂恶意软件方面行之有效。尽管深度学习缓解了特征工程问题，但就神经架构搜索（NAS）与模型最优超参数集合而言，寻找最优 DL 模型仍是一项需要领域专业知识的挑战。此外，许多所提出的最先进（SOTA）模型非常复杂，可能并非不同数据集的最佳选择。一种称为自动化机器学习（AutoML）的有前景的方法，可降低实现定制 DL 模型所需的领域专业知识。AutoML 减少了设计 DL 模型中的人工试错，且在较新实现中能以相对较低的计算开销发现新模型架构。本工作对使用 AutoML 进行静态与在线恶意软件检测提供了全面分析与见解。在静态方面，我们的分析基于两个广泛使用的恶意软件数据集：SOREL-20M，用以展示在大型数据集上的效能；以及 EMBER-2018，一个专门策划用于阻碍机器学习模型性能的小型数据集。此外，我们展示了在静态分析数据集上调整 NAS 过程参数对寻找更优恶意软件检测模型的影响。进一步，我们还证明了 AutoML 在使用卷积神经网络（CNN）的云 IaaS 在线恶意软件检测场景中表现良好。我们使用一个新生成的在线恶意软件数据集，在恶意软件执行期间有无其他后台应用运行两种情况下，将一种 AutoML 技术与六种现有 SOTA CNN 进行比较。总体而言，我们的实验结果表明，基于 AutoML 的静态与在线恶意软件检测模型的性能与文献中提出的 SOTA 模型或手工设计模型相当甚至更优。
引用
@article{arxiv.2303.01679,
title = {Automated Machine Learning for Deep Learning based Malware Detection},
author = {Austin Brown and Maanak Gupta and Mahmoud Abdelsalam},
journal= {arXiv preprint arXiv:2303.01679},
year = {2023}
}