生成对抗网络与基于图像的恶意软件分类
密码学与安全
2022-07-04 v1 机器学习
摘要
为高效移除恶意软件、判定恶意软件威胁等级及估计损害，恶意软件家族分类起着关键作用。本文中，我们从恶意软件可执行文件中提取特征，并使用多种方法将其表示为图像。随后我们聚焦于生成对抗网络(GAN)的多类分类，并将GAN结果与其他流行机器学习技术比较，包括支持向量机(SVM)、XGBoost与受限玻尔兹曼机(RBM)。我们发现AC-GAN判别器总体与其他机器学习技术具竞争力。我们还评估了GAN生成模型在基于图像的恶意软件检测对抗攻击中的效用。尽管AC-GAN生成图像视觉上令人印象深刻，我们发现使用若干学习技术均可将其与真实恶意软件图像轻松区分。该结果表明我们的GAN生成图像在对抗攻击中价值甚微。
引用
@article{arxiv.2207.00421,
title = {Generative Adversarial Networks and Image-Based Malware Classification},
author = {Huy Nguyen and Fabio Di Troia and Genya Ishigaki and Mark Stamp},
journal= {arXiv preprint arXiv:2207.00421},
year = {2022}
}