通过 Wasserstein 生成对抗网络实现 Android 恶意软件检测的数据增强
密码学与安全
2024-03-06 v2 人工智能
摘要
生成对抗网络 (GAN) 在 various applications 中展现出多样性，包括数据增强和恶意软件检测。本研究探讨了利用 GAN 生成的数据训练恶意软件检测模型的有效性。鉴于 Android 应用程序的存储需求较大，本研究提出了一种使用 GAN 合成数据表示方法，从而降低存储需求的策略。该方法涉及创建来自现有数据集中提取特征的图像表示。随后采用 GAN 模型生成更为丰富的由真实合成灰度图像构成的数据集。此合成数据集用于训练一种卷积神经网络 (CNN)，以识别先前未出现的 Android 恶意软件应用程序。研究包括对 CNN 在真实图像与 GAN 生成的合成图像上的性能进行比较分析。此外，本研究还探讨了 Wasserstein 生成对抗网络 (WGAN) 与深度卷积生成对抗网络 (DCGAN) 之间性能差异。研究还考察了图像尺寸和恶意软件混淆对分类模型效果的影响。本研究实施的数据增强方法导致分类模型性能显著提升，提升幅度在 1.5%至 7%之间，具体取决于数据集。最高 achieved F1 分数达到 0.975。
引用
@article{arxiv.2403.00890,
title = {Improving Android Malware Detection Through Data Augmentation Using Wasserstein Generative Adversarial Networks},
author = {Kawana Stalin and Mikias Berhanu Mekoya},
journal= {arXiv preprint arXiv:2403.00890},
year = {2024}
}
备注
20 pages