基于数据增强的使用卷积神经网络的恶意软件检测
密码学与安全
2020-10-06 v1 人工智能
摘要
近来，由于网络世界中恶意软件的持续增长，网络攻击频繁出现。这些攻击不仅对终端用户造成不可逆的损害，也危及企业计算机系统。诸如 WannaCry 和 Petya 之类的勒索软件攻击专门针对机场等关键基础设施，使其运营流程瘫痪。因此，恶意软件在数量、多样性和复杂性方面引起了越来越多的关注。此类恶意软件最重要的特征是它们在从一台计算机传播到另一台计算机时会改变形态。由于标准基于签名的检测软件无法识别此类恶意软件，因为它们在每台受感染计算机上具有不同特征。本文旨在提供一种图像增强的深度卷积神经网络（CNN）模型，用于变形恶意软件环境下的恶意软件家族检测。论文模型结构的主要贡献包括三个组成部分：从恶意软件样本生成图像、图像增强，以及使用卷积神经网络模型对恶意软件家族进行分类。在第一部分中，收集到的恶意软件样本通过窗口化技术将二进制表示转换为三通道图像。系统的第二部分生成图像的增强版本，最后一部分构建分类模型。在本研究中，使用了五种不同的深度卷积神经网络模型进行恶意软件家族检测。
引用
@article{arxiv.2010.01862,
title = {Data Augmentation Based Malware Detection using Convolutional Neural Networks},
author = {Ferhat Ozgur Catak and Javed Ahmed and Kevser Sahinbas and Zahid Hussain Khand},
journal= {arXiv preprint arXiv:2010.01862},
year = {2020}
}
备注
18 pages