利用 LSTM 与 GAN 检测现代恶意软件
密码学与安全
2024-05-08 v1 人工智能
摘要
恶意软件的激增在网络空间中的危害等同于气候变化对生态系统的影响。尽管全球社会投入巨额资源用于网络安全技术和人员培训，但我们仍陷入与网络安全威胁的永恒战斗中。恶意软件的多样形态和不断变化的面貌不断推动网络安全从业者不断采用各种检测与缓解措施来应对这一问题。诸如基于签名的检测和行为分析等传统方法难以适应恶意软件类型快速演化的趋势。因此，本文提出利用深度学习模型——LSTM 网络和生成对抗网络（GAN）来提升恶意软件检测的准确度与速度。一种快速发展的前沿技术，能够利用原始字节流数据和深度学习架构，相较于传统方法在准确率和性能上表现更佳。将 LSTM 与 GAN 模型集成用于合成数据生成，从而扩充训练数据集，进而提升检测准确率。本文采用 VirusShare 数据集作为训练与评估集合，该数据集包含超过百万个唯一恶意软件样本。通过彻底的数据准备工作，包括分词、数据增强以及模型训练，LSTM 与 GAN 模型在各项任务上的表现优于直接的分类器。研究结果达到了 98% 的准确率，显示深度学习在主动网络安全防御中发挥决定性作用。此外，本文还研究了集成学习和模型融合方法的输出，以减少偏差并提升模型复杂度。
引用
@article{arxiv.2405.04373,
title = {Leveraging LSTM and GAN for Modern Malware Detection},
author = {Ishita Gupta and Sneha Kumari and Priya Jha and Mohona Ghosh},
journal= {arXiv preprint arXiv:2405.04373},
year = {2024}
}
备注
11 pages