深度学习融合在恶意软件检测中的有效应用：利用视觉特征
密码学与安全
2024-05-24 v1
摘要
恶意软件因规模和复杂性不断指数级增长，已成为巨大的威胁。因此，亟需一种易于实现、可靠且高效的解决方案。虽然近期研究引入了深度学习多特征融合算法，但缺乏充分的解释性。本文我们考察了融合在不同恶意软件可执行文件模态上训练的卷积神经网络模型所产生的效能。我们提出了一种新型的多模态融合算法，利用三种不同的视觉恶意软件特征：灰度图像、熵图和SimHash图像，并通过融合算子（如平均、最大、相加和拼接）进行彻底实验，评估其在有效恶意软件检测和分类方面的性能。该策略在给定数据集中实现了1.00（0-1比例）的检测率。我们采用t-SNE和Grad-CAM等可视化技术解释了其可解释性。实验结果表明，该模型即使在高度不平衡的数据集上也能正常工作。我们还评估了该方法在混淆恶意软件中的有效性，取得了状态最佳成果。该方法更可靠，因为我们的发现表明，VGG16模型能在实际时间内几秒钟内检测和分类恶意软件。
引用
@article{arxiv.2405.14311,
title = {Deep Learning Fusion For Effective Malware Detection: Leveraging Visual Features},
author = {Jahez Abraham Johny and Vinod P. and Asmitha K. A. and G. Radhamani and Rafidha Rehiman K. A. and Mauro Conti},
journal= {arXiv preprint arXiv:2405.14311},
year = {2024}
}