CNS-Net：面向开放集场景下恶意软件识别的保守新颖性合成网络
密码学与安全
2023-05-03 v1 机器学习
摘要
我们研究在已知与新颖未知恶意软件家族上均进行识别这一具有挑战性的任务，称为恶意软件开放集识别（MOSR）。以往工作通常假设分类器在闭集场景下已知恶意软件家族，即测试家族是训练家族的子集或至多相同。然而，现实应用中频繁出现新颖未知恶意软件家族，因此需要在开放集场景下识别恶意软件实例，即测试集中也包含某些未知家族，这在网络安全领域极少且未被充分研究。MOSR 的一种实用方案可能是通过单一分类器（如神经网络）基于已知家族预测概率分布的差异联合分类已知与检测未知恶意软件家族。但常规训练良好的分类器往往倾向于在输出中获得过高的识别概率，尤其当实例特征分布彼此相似时（如未知与已知恶意软件家族），从而显著降低对新颖未知恶意软件家族的识别。本文提出一种新模型，可保守地合成恶意软件实例以模拟未知家族，并支持更鲁棒的分类器训练。此外，我们构建了名为 MAL-100 的新大规模恶意软件数据集，以填补缺乏大规模开放集恶意软件基准数据集的空白。在两个广泛使用恶意软件数据集及我们的 MAL-100 上的实验结果证明了本模型相较其他代表性方法的有效性。
引用
@article{arxiv.2305.01236,
title = {CNS-Net: Conservative Novelty Synthesizing Network for Malware Recognition in an Open-set Scenario},
author = {Jingcai Guo and Song Guo and Shiheng Ma and Yuxia Sun and Yuanyuan Xu},
journal= {arXiv preprint arXiv:2305.01236},
year = {2023}
}
备注
16 pages, 8 figures