用于动态与在线恶意软件分类的可解释深度学习模型
密码学与安全
2024-04-22 v1
摘要
近年来，恶意软件攻击激增，亟需更高级的预防措施与补救策略。尽管已有多种成功的基于 AI 的恶意软件分类方法（涵盖静态、动态或在线分析），但大多数成功的 AI 模型缺乏易于解释的决策及对其过程的解释。本文旨在深入探讨跨不同执行环境（如动态与在线）的可解释恶意软件分类，全面分析其各自的优势、劣势与共性。为评估该方法，我们训练前馈神经网络（FFNN）与卷积神经网络（CNN），基于从动态与在线分析环境中提取的特征对恶意软件进行分类。恶意软件分类的特征归因由可解释性工具 SHAP、LIME 与置换重要性完成。我们对实验中计算出的全局与局部解释进行了详细评估，讨论了其局限性，并最终为实现均衡的方法提供了建议。
引用
@article{arxiv.2404.12473,
title = {Explainable Deep Learning Models for Dynamic and Online Malware Classification},
author = {Quincy Card and Daniel Simpson and Kshitiz Aryal and Maanak Gupta and Sheikh Rabiul Islam},
journal= {arXiv preprint arXiv:2404.12473},
year = {2024}
}