基于迁移学习的不平衡恶意软件字节图图像分类比较分析
机器学习
2024-01-08 v1
摘要
由于对技术与互联系统的日益依赖，网络安全成为一大关切。恶意软件检测器通过比较恶意软件签名来助力缓解网络攻击。机器学习可通过自动化特征提取、识别模式及增强动态分析来改进这些检测器。本文在 Malimg 数据集、Blended 数据集与 Malevis 数据集上比较了六种多分类模型的性能，以深入了解类不平衡对模型性能与收敛性的影响。观察到类不平衡越严重，收敛所需 epoch 数越少，且不同模型性能间方差较大。此外，还观察到对于恶意软件检测器，ResNet50、EfficientNetB0 与 DenseNet169 能较好地处理不平衡与平衡数据。在不平衡数据集上获得了 97% 的最高精度，在中等不平衡数据集上获得了 95% 的最高精度，在完全平衡数据集上获得了 95% 的最高精度。
引用
@article{arxiv.2310.02742,
title = {Comparative Analysis of Imbalanced Malware Byteplot Image Classification using Transfer Learning},
author = {Jayasudha M and Ayesha Shaik and Gaurav Pendharkar and Soham Kumar and Muhesh Kumar B and Sudharshanan Balaji},
journal= {arXiv preprint arXiv:2310.02742},
year = {2024}
}
备注
accepted at PEIS2023 and will be published in Lecture Notes in Electrical Engineering