基于高分辨率图像与多示例学习的恶意软件分类
密码学与安全
2023-11-22 v1 计算机视觉与模式识别
机器学习
摘要
本文提出一种利用高分辨率灰度图像和多示例学习将恶意软件分类为家族的新方法，以克服对抗性二进制扩充。当前基于可视化的恶意软件分类方法在很大程度上依赖有损输入变换(如缩放)来处理大尺寸、可变大小的图片。通过实证分析与实验表明，这些方法会导致可被利用的关键信息丢失。所提方案将图像分块，并使用基于嵌入的多示例学习，结合卷积神经网络与注意力聚合函数进行分类。该实现在Microsoft Malware Classification数据集上评估，在对抗性扩充样本上达到最高96.6%的准确率，而基线仅为22.8%。Python代码可在 https://github.com/timppeters/MIL-Malware-Images 获取。
引用
@article{arxiv.2311.12760,
title = {High-resolution Image-based Malware Classification using Multiple Instance Learning},
author = {Tim Peters and Hikmat Farhat},
journal= {arXiv preprint arXiv:2311.12760},
year = {2023}
}
备注
14 pages, 13 figures, 2 tables