用于恶意软件检测中长程预测任务的全息全局卷积网络
密码学与安全
2024-03-28 v1 人工智能
机器学习
机器学习
摘要
恶意软件检测是一个有趣且有价值的领域，因为它具有显著的现实影响和独特的机器学习挑战。我们调查了现有的长程技术及其基准，发现它们在这个问题领域并不十分适用。在本文中，我们引入了全息全局卷积网络（HGConv），它利用全息约化表示（HRR）的特性来编码和解码来自序列元素的特征。与其他全局卷积方法不同，我们的方法不需要任何复杂的核计算或精心设计的核设计。HGConv 核被定义为通过反向传播学习的简单参数。所提出的方法在 Microsoft 恶意软件分类挑战赛、Drebin 和 EMBER 恶意软件基准测试中取得了新的 SOTA 结果。凭借序列长度的对数线性复杂度，实验结果表明，与其他方法相比，HGConv 的运行时间显著更快，即使在序列长度 时也能实现远更高效的扩展。
引用
@article{arxiv.2403.17978,
title = {Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection},
author = {Mohammad Mahmudul Alam and Edward Raff and Stella Biderman and Tim Oates and James Holt},
journal= {arXiv preprint arXiv:2403.17978},
year = {2024}
}
备注
To appear in Proceedings of the 27th International Conference on Artificial Intelligence and Statistics (AISTATS) 2024, Valencia, Spain