通过机器学习与 Cuckoo Sandbox 集成增强恶意软件检测
密码学与安全
2024-07-16 v1 人工智能
机器学习
网络与互联网体系结构
摘要
在现代社会，随着数字世界的广泛普及，恶意软件的种类和数量均显著增长。这种恶意软件激增已成为网络安全领域的一项关键挑战，促使众多研究工作和成果致力于解决该问题。机器学习算法因其能够揭示海量数据集中隐藏的模式而被用于恶意软件检测。然而，具有多层结构的深度学习算法超越了传统机器学习方法的局限。本研究采用 CNN（卷积神经网络）和 RNN（循环神经网络）等深度学习技术，旨在对从包含 API 调用序列的数据集中提取的恶意软件进行分类和识别。这些算法的性能与使用相同数据集的传统机器学习方法（包括 SVM（支持向量机）、RF（随机森林）、KNN（K近邻）、XGB（极端梯度提升）和 GBC（梯度提升分类器））进行了比较。本研究结果表明，深度学习和机器学习算法均达到了极高的准确率，在某些情况下高达 99%。
引用
@article{arxiv.2311.04372,
title = {Enhancing Malware Detection by Integrating Machine Learning with Cuckoo Sandbox},
author = {Amaal F. Alshmarni and Mohammed A. Alliheedi},
journal= {arXiv preprint arXiv:2311.04372},
year = {2024}
}