对抗条件下用于恶意软件分类的智能系统设计

机器学习与智能系统的使用已成为恶意软件检测与网络威胁防范领域的既定实践。在具有广泛可及性与大数据的环境中，不使用基于人工智能技术进行恶意软件分类的可行性已呈指数级下降。当代自动化智能恶意软件检测领域的另一特征是对抗性机器学习的威胁。对手试图攻击负责恶意软件分类功能的底层数据与/或算法，以映射其行为或破坏其功能。此类对手的意图在于绕过网络安全措施并提升恶意软件效能。本研究的重点在于设计一种使用机器学习的智能系统方法，能够在对抗条件下准确且鲁棒地分类恶意软件。这样的结果最终依赖于增强的灵活性与适应性，以构建足够鲁棒从而识别对底层算法攻击的模型。