EMBER2024——用于全面评估恶意软件分类器的基准数据集
密码学与安全
2025-06-06 v1 机器学习
摘要
可获取数据的不足历史上限制了恶意软件分析研究，实践者依赖行业提供的数据集来推进。现有公开数据集受限于范围狭窄——大多数包括针对单一平台的文件，标签支持仅一种恶意软件分类任务，且未致力于捕获恶意软件检测中难以应对的规避文件。我们提出EMBER2024，一个新的数据集，实现恶意软件分类器的全面评估。与EMBER2017和EMBER2018的作者合作创建，EMBER2024数据集包括超过320万个文件的哈希值、元数据、特征向量和标签，涵盖六种文件格式。该数据集支持训练和评估针对七种恶意软件分类任务的机器学习模型，包括恶意软件检测、恶意软件家族分类和恶意软件行为识别。EMBER2024是首个包含一批最初未被一组防病毒产品检测到的恶意文件的集合，创建了一个“挑战”集合以评估分类器对规避恶意软件的性能。本工作还介绍了EMBER特征版本3，新增对几种新特征类型的支持。我们将发布EMBER2024数据集以促进可重复性，并为研究人员追求新的恶意软件研究主题提供支持。
引用
@article{arxiv.2506.05074,
title = {EMBER2024 -- A Benchmark Dataset for Holistic Evaluation of Malware Classifiers},
author = {Robert J. Joyce and Gideon Miller and Phil Roth and Richard Zak and Elliott Zaresky-Williams and Hyrum Anderson and Edward Raff and James Holt},
journal= {arXiv preprint arXiv:2506.05074},
year = {2025}
}