DexRay：一种基于字节码图像表示的简单而有效的安卓恶意软件深度学习检测方法
密码学与安全
2024-11-21 v2 机器学习
摘要
计算机视觉近年来取得若干进展，深度表示学习研究提供了前所未有的性能。因此图像格式对其他领域（如恶意软件检测）显得颇具吸引力，其中基于图像的深度学习缓解了全面手工设计特征以泛化至不同恶意软件变体的需求。我们假定该研究方向可能成为安卓恶意软件检测的下一道前沿，因而需要清晰的路线图以确保新方法确实带来新颖贡献。我们以一个首要构建模块作出贡献：开发并评估一个具有直白步骤的基于图像的恶意软件检测基线流水线。我们提出 DexRay，其将应用 DEX 文件的字节码转换为灰度“向量”图像，并输入至一维卷积神经网络模型。鉴于设计选择极其基础，我们将 DexRay 视为基础性工作，从而可推断在恶意软件检测中基于图像的学习所能获得的最小性能。在超过 158k 个应用上评估的 DexRay 性能表明，尽管简单，我们的方法有效且检测率高（F1-score = 0.96）。最后，我们考察时间衰减与图像缩放对 DexRay 性能的影响，并评估其对混淆的鲁棒性。这篇进行中的论文通过提供一种合理、简单却有效的（含可用构件）方法，为基于深度学习的恶意软件检测领域作出贡献，该方法可作为基础来界定充分发展该领域所需研究的诸多深刻问题。
引用
@article{arxiv.2109.03326,
title = {DexRay: A Simple, yet Effective Deep Learning Approach to Android Malware Detection based on Image Representation of Bytecode},
author = {Nadia Daoudi and Jordan Samhi and Abdoul Kader Kabore and Kevin Allix and Tegawendé F. Bissyandé and Jacques Klein},
journal= {arXiv preprint arXiv:2109.03326},
year = {2024}
}
备注
This is an extension of the paper that was accepted at MLHat 2021