使用卷积神经网络模型对恶意软件图像进行分类
密码学与安全
2020-11-02 v1 计算机视觉与模式识别
摘要
由于恶意软件（malware）在数量和复杂度上的威胁日益增加，研究人员开发了自动检测和分类恶意软件的方法，以取代耗时的手动分析恶意软件文件的方法。与此同时，恶意软件作者开发了规避杀毒公司使用的基于签名的检测技术的方法。最近，深度学习正被用于恶意软件分类以解决此问题。在本文中，我们使用若干卷积神经网络（CNN）模型进行静态恶意软件分类。具体而言，我们使用了六个深度学习模型，其中三个是 ImageNet 大规模视觉识别挑战赛的往届冠军。另外三个模型是 CNN-SVM、GRU-SVM 和 MLP-SVM，它们用支持向量机（SVM）增强了神经模型。我们使用 Malimg 数据集进行实验，该数据集包含由可移植可执行（Portable Executable）恶意软件二进制文件转换而来的恶意软件图像。该数据集被划分为 25 个恶意软件家族。比较表明，Inception V3 模型达到了 99.24% 的测试准确率，优于当前最先进（SOTA）系统 M-CNN 模型所达到的 98.52% 的准确率。
引用
@article{arxiv.2010.16108,
title = {Classifying Malware Images with Convolutional Neural Network Models},
author = {Ahmed Bensaoud and Nawaf Abudawaood and Jugal Kalita},
journal= {arXiv preprint arXiv:2010.16108},
year = {2020}
}
备注
12 pages, 11 Figures