面向进攻性安全的机器学习：基于决策树与人工神经网络的沙箱分类
密码学与安全
2020-07-15 v1 机器学习
摘要
机器学习在信息安全中的优势主要集中于加强防御。然而，机器学习（ML）技术并非只有资金雄厚且拥有海量数据存储的组织才能使用；机器学习的民主化已导致越来越多安全团队使用 ML 来支持进攻性行动。本文所呈现的研究将探讨我们团队用于解决单一进攻性任务（检测沙箱）的两个模型。利用通过钓鱼邮件收集到的进程列表数据，我们将展示如何使用决策树（Decision Trees）与人工神经网络（Artificial Neural Networks）成功分类沙箱，从而避免不安全执行。本文旨在独特地揭示真实进攻性团队如何运用机器学习来支持进攻性行动。
引用
@article{arxiv.2007.06763,
title = {Machine Learning for Offensive Security: Sandbox Classification Using Decision Trees and Artificial Neural Networks},
author = {Will Pearce and Nick Landers and Nancy Fulda},
journal= {arXiv preprint arXiv:2007.06763},
year = {2020}
}
备注
SAI Conference on Computing