面向静态恶意软件分类的深度迁移学习
机器学习
2018-12-20 v1 密码学与安全
机器学习
摘要
我们提出将计算机视觉中的深度迁移学习应用于静态恶意软件分类。在迁移学习方案中，我们从自然图像或物体中借用知识并应用于静态恶意软件检测这一目标领域。结果，深度神经网络的训练时间得以加速，同时仍保持较高的分类性能。我们在三个实验中证明了方法的有效性，并表明所提方法在准确率、假正率、真正率与 分数（二分类中）上优于其他经典机器学习方法。我们为算法加入了可解释组件，提供可解释说明以增强安全从业者对模型的信任。我们进一步讨论了迁移学习与从头训练的凸组合方案以提升恶意软件检测，并给出了基于视觉的恶意软件分类技术的算法解释见解。
引用
@article{arxiv.1812.07606,
title = {Deep Transfer Learning for Static Malware Classification},
author = {Li Chen},
journal= {arXiv preprint arXiv:1812.07606},
year = {2018}
}