检测安卓恶意软件：从神经嵌入到使用BERTroid的动手验证
密码学与安全
2024-08-13 v2 人工智能
摘要
随着网络威胁和恶意软件攻击日益引起个人和企业的警觉，主动防御恶意软件的需求愈发迫切。这推动了对自动化机器学习解决方案日益增长的兴趣。Transformer——一种基于注意力的前沿深度学习方法——已展现出显著的成功。在本文中，我们提出了BERTroid，一个基于BERT架构的创新恶意软件检测模型。总体而言，BERTroid成为对抗安卓恶意软件的一个有前景的解决方案。其超越现有最优解决方案的能力证明了其作为抵御恶意软件攻击的主动防御机制的潜力。此外，我们在多个数据集上评估了BERTroid，以评估其在多种场景下的性能。在动态的网络安全环境中，我们的方法对安卓系统上恶意软件的快速演变表现出了有前景的韧性。虽然机器学习模型捕捉了广泛的模式，但我们强调手动验证对于更深入理解和洞察这些行为的作用。这种人工干预对于辨别复杂且特定于上下文的行为至关重要，从而验证并强化模型的发现。
引用
@article{arxiv.2405.03620,
title = {Detecting Android Malware: From Neural Embeddings to Hands-On Validation with BERTroid},
author = {Meryam Chaieb and Mostafa Anouar Ghorab and Mohamed Aymen Saied},
journal= {arXiv preprint arXiv:2405.03620},
year = {2024}
}