熵同步神经哈希用于无监督勒索软件检测
密码学与安全
2025-03-26 v2 人工智能
摘要
基于熵的检测方法因能够分析可执行文件中的结构性异常而受到广泛关注，尤其在识别采用高级混淆技术的恶意软件时。熵同步神经哈希（ESNH）框架引入了一种新方法，利用熵驱动的哈希表示来对软件二进制文件进行分类，其依据是其底层熵特性。通过将熵轮廓与神经网络架构同步，模型生成稳健且唯一的哈希值，即使面对多态和变形转换，也能保持稳定性。与传统检测方法的比较分析显示，该方法在识别新型威胁方面表现优异，降低了误报率，并在多样化的勒索软件家族中实现一致的分类。进一步采用自调节哈希收敛机制，确保熵同步哈希在不同执行中保持不变，最小化了由于勒索软件负载动态修改而导致的分类不一致性。实验结果显示，该模型在当代勒索软件株系中实现了高检测率，能够抵抗加密式规避机制、代码注入策略以及反射加载技术。与依赖静态签名和启发式分析的传统检测机制不同，本文提出的熵感知分类框架能够通过捕捉可执行结构中的熵异常来适应新兴威胁。本研究强化了在解决传统方法局限性方面，以及增强对混淆和对抗规避技术检测鲁棒性方面，熵基检测潜力的重要性。
引用
@article{arxiv.2501.18131,
title = {Entropy-Synchronized Neural Hashing for Unsupervised Ransomware Detection},
author = {Peter Idliman and Wilfred Balfour and Benedict Featheringham and Hugo Chesterfield},
journal= {arXiv preprint arXiv:2501.18131},
year = {2025}
}
备注
arXiv admin note: This paper has been withdrawn by arXiv due to disputed and unverifiable authorship