用于检测恶意软件攻击的深度学习模型
密码学与安全
2024-01-30 v2
摘要
恶意软件是当今最常见且最严重的网络攻击之一。恶意软件感染数百万设备，并可执行多种恶意活动，包括挖掘敏感数据、加密数据、削弱系统性能等。因此，恶意软件检测对于保护我们的计算机与移动设备免受恶意软件攻击至关重要。深度学习（DL）是用于检测恶意软件的新兴且有前景的技术之一。近期针对桌面与移动平台的大量恶意软件变体使得DL算法成为构建可扩展且先进的恶意软件检测模型的强大方法，因为它们能处理大数据集。本工作探索了用于检测Windows、Linux和Android平台上恶意软件攻击的当前深度学习技术。具体而言，我们呈现了不同类别的DL算法、网络优化器与正则化方法。给出了用于实现DL模型的不同损失函数、激活函数与框架。我们还呈现了特征提取方法以及针对上述平台的近期基于DL的恶意软件攻击检测模型综述。此外，本工作给出了恶意软件检测的主要研究问题，包括进一步推动该领域知识与研究发展的未来方向。
引用
@article{arxiv.2209.03622,
title = {Deep Learning Models for Detecting Malware Attacks},
author = {Pascal Maniriho and Abdun Naser Mahmood and Mohammad Jabed Morshed Chowdhury},
journal= {arXiv preprint arXiv:2209.03622},
year = {2024}
}
备注
Revised figures 2 and 3, revised title, remove typos page 17