融合特征工程与深度学习：以恶意软件分类为例
密码学与安全
2024-04-30 v1
摘要
机器学习因其对未见样本的泛化能力及处理海量数据的能力，已成为一种颇具吸引力的无签名恶意软件检测与分类方法。传统基于特征的方法依赖基于领域专家知识手工设计特征，而深度学习方法以通常由多层神经网络组成的底层系统取代手工特征工程过程，一并完成特征学习与分类。然而，两类方法的结合可大幅增强检测系统。本文提出一种混合方法，通过融合专家定义的多种类型特征与从原始数据经深度学习学到的特征来解决恶意软件分类任务。具体而言，我们的方法依靠深度学习从恶意软件的汇编语言指令和字节中提取类 N-gram 特征，并从恶意软件的灰度图像表示和结构熵中分别提取纹理模式与基于 shapelet 的特征。这些深度特征随后作为梯度提升模型的输入，该模型利用早期融合机制将深度特征与手工特征结合。我们在 Microsoft Malware Classification Challenge 基准上评估了本方法的适用性，结果表明所提方案达到了最先进的性能，并优于文献中的梯度提升与深度学习方法。
引用
@article{arxiv.2206.05735,
title = {Fusing Feature Engineering and Deep Learning: A Case Study for Malware Classification},
author = {Daniel Gibert and Carles Mateu and Jordi Planes and Quan Le},
journal= {arXiv preprint arXiv:2206.05735},
year = {2024}
}