基于代码张量与生成对抗网络的灵活 Android 恶意软件检测模型
密码学与安全
2022-10-27 v1 人工智能
机器学习
摘要
恶意软件威胁的行为日益增多，提高了对恶意软件检测的需求。然而，现有的恶意软件检测方法仅针对已有的恶意样本，对新型恶意代码及恶意代码变体的检测能力有限。本文提出了一种能高效检测恶意软件及其变体的新方案。基于生成对抗网络的思想，我们获取满足真实恶意软件特征的“真实”样本分布，利用其欺骗判别器，从而实现对恶意代码攻击的防御并提升恶意软件检测能力。首先，提出一种新的 Android 恶意软件 APK 到图像纹理特征提取的分割方法，称为分段自生长纹理分割算法。其次，基于低管秩的张量奇异值分解将不同尺寸的恶意特征统一转换为固定的三阶张量，输入神经网络进行训练与学习。最后，提出了一种基于代码张量与生成对抗网络的灵活 Android 恶意软件检测模型（MTFD-GANs）。实验表明，所提模型总体上超越传统恶意软件检测模型，最大提升效率达 41.6\%。同时，GAN 生成器新生成的样本极大丰富了样本多样性。并且，重新训练恶意软件检测器能有效提升传统模型的检测效率与鲁棒性。
引用
@article{arxiv.2210.14225,
title = {Flexible Android Malware Detection Model based on Generative Adversarial Networks with Code Tensor},
author = {Zhao Yang and Fengyang Deng and Linxi Han},
journal= {arXiv preprint arXiv:2210.14225},
year = {2022}
}