I-MAD：基于 Galaxy Transformer 的可解释恶意软件检测器
机器学习
2021-06-22 v3 密码学与安全
机器学习
摘要
恶意软件目前对计算机用户构成诸多严重威胁。基于签名的恶意软件检测方法在检测与已知样本差异显著的新恶意软件时存在局限。因此，已有基于机器学习的方法被提出，但这些方法面临两大挑战。其一是建模恶意软件汇编代码背后的完整语义。其二是如何在保持优异检测性能的同时提供可解释结果。本文中，我们提出一种可解释恶意软件检测器（I-MAD），其在准确率上优于最先进的静态恶意软件检测模型且具备优异可解释性。为提升检测性能，I-MAD 引入了称为 Galaxy Transformer 网络的新型网络组件，能够在基本块、函数和可执行文件层面理解汇编代码。它还结合了我们提出的可解释前馈神经网络，通过量化各特征相对于预测的影响来为其检测结果提供解释。实验结果表明，我们的模型显著优于现有最先进静态恶意软件检测模型并给出有意义解释。
引用
@article{arxiv.1909.06865,
title = {I-MAD: Interpretable Malware Detector Using Galaxy Transformer},
author = {Miles Q. Li and Benjamin C. M. Fung and Philippe Charland and Steven H. H. Ding},
journal= {arXiv preprint arXiv:1909.06865},
year = {2021}
}
备注
Published by Elsevier Computers & Security