端到端深度神经网络与迁移学习用于国家背景恶意软件的自动分析
密码学与安全
2019-12-04 v1 机器学习
神经与进化计算
机器学习
摘要
据称由国家开发的恶意软件，也称为高级持续性威胁（APT），正变得越来越常见。将某个APT归因到特定国家或将其分类到正确的APT家族是一项具有挑战性的任务，原因有以下几点。首先，每个国家都有不止一个网络单位开发此类恶意软件，使得传统的作者归因算法失效。此外，此类可用APT的数据集仍然极其稀少。最后，这些APT使用最先进的规避技术，使得特征提取十分困难。在本文中，我们使用深度神经网络（DNN）作为国家背景APT归因的分类器。我们在沙箱中运行APT时记录其动态行为，并将其作为神经网络的原始输入，使DNN能够学习APT自身的高级特征抽象。我们还将相同的原始特征用于APT家族分类。最后，我们利用APT家族分类器学到的特征抽象来解决归因问题。使用由1000个中国和俄罗斯开发的APT组成的测试集，我们实现了98.6%的准确率。
引用
@article{arxiv.1912.01493,
title = {End-to-End Deep Neural Networks and Transfer Learning for Automatic Analysis of Nation-State Malware},
author = {Ishai Rosenberg and Guillaume Sicard and Eli David},
journal= {arXiv preprint arXiv:1912.01493},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1711.09666