面向恶意软件检测的可解释逻辑解释网络
密码学与安全
2024-05-07 v1 人工智能
摘要
恶意软件检测是网络安全中的持续挑战，因新攻击技术不断涌现。传统签名化方法难以应对海量恶意软件样本。机器学习虽提供可行方案，但面临样本泛化性差及缺乏解释的问题。尤其在安全关键领域，人类可理解的解释对建立信任和符合法律要求至关重要。深度学习模型虽在恶意软件检测中表现优异，但其黑箱特性阻碍了可解释性。而可解释模型往往性能不足。为弥合这一鸿沟，本文提出逻辑解释网络（Logic Explained Networks, LENs），即为新近提出的可解释神经网络类，提供以一阶逻辑（First-Order Logic, FOL）规则形式的解释。本文将LEN扩展至复杂的恶意软件检测领域，特别是采用大规模EMBER数据集进行实验。实验结果表明，LEN在鲁棒性上超越传统可解释方法，且性能与黑箱模型不相上下。此外，我们引入的定制化LEN版本能够生成更符合模型预测的逻辑解释。
引用
@article{arxiv.2405.03009,
title = {Explainable Malware Detection with Tailored Logic Explained Networks},
author = {Peter Anthony and Francesco Giannini and Michelangelo Diligenti and Martin Homola and Marco Gori and Stefan Balogh and Jan Mojzis},
journal= {arXiv preprint arXiv:2405.03009},
year = {2024}
}