Maat：自动分析 VirusTotal 以实现准确标注与有效恶意软件检测
密码学与安全
2020-07-02 v1 机器学习
摘要
恶意软件分析与检测研究界依赖在线平台 VirusTotal，基于约 60 个杀毒扫描器的扫描结果来标注 Android 应用。遗憾的是，对于如何最佳地解释从 VirusTotal 获取的扫描结果并无标准，这导致采用了不同的基于阈值的标注策略（例如，若十个或以上扫描器判定某应用为恶意，则视其为恶意）。尽管某些所用阈值或能准确近似应用的真实标签，但 VirusTotal 会更改其所用扫描器的集合与版本，这一事实使得此类阈值随时间推移不可持续。我们实现了一种名为 Maat 的方法，通过自动生成基于机器学习（Machine Learning, ML）的标注方案，解决了标准化与可持续性这些问题，其优于基于阈值的标注策略。利用跨越一年的 53K 个 Android 应用的 VirusTotal 扫描报告，我们通过将其性能与基于阈值的策略比较，评估了 Maat 的 ML 标注策略的适用性。我们发现此类 ML 策略（a）能够基于应用的 VirusTotal 扫描报告准确且一致地标注应用，且（b）有助于训练比基于阈值的对应方法更有效分类样本外应用的基于 ML 的检测方法。
引用
@article{arxiv.2007.00510,
title = {Maat: Automatically Analyzing VirusTotal for Accurate Labeling and Effective Malware Detection},
author = {Aleieldin Salem and Sebastian Banescu and Alexander Pretschner},
journal= {arXiv preprint arXiv:2007.00510},
year = {2020}
}