MaLAware：利用大语言模型自动理解恶意软件行为
密码学与安全
2025-04-03 v1
摘要
当前恶意软件分析工具侧重于检测和家族分类，但未能提供对恶意活动的清晰可操作叙述性见解。因此，需要一种工具将原始恶意软件数据转化为人类可读描述。开发此类工具可加速事件响应，降低恶意软件分析师的认知负荷，并使具备有限技术专业知识者能够理解恶意软件行为。为此目标，我们提出MaLAware，该工具自动概述恶意软件可执行文件的整个恶意活动谱系。MaLAware处理 Cuckoo 沙盒生成的报告，使用大语言模型(LLMs)关联恶意活动并生成解释恶意软件行为的简洁摘要。我们在五个开源大语言模型上对该工具进行评估。评估使用人工编写的恶意软件行为描述数据集作为基准。通过11项详尽的绩效指标衡量模型性能，显著提升了MaLAware有效性的信心。当前版本的MaLAware支持Qwen2.5-7B、Llama2-7B、Llama3.1-8B、Mistral-7B和Falcon-7B，并支持资源受限环境的量化功能。MaLAware为未来恶意软件行为解释研究奠定了基础，其详尽的评估表明大语言模型能够以可操作且全面 manner 晓述恶意软件行为。
引用
@article{arxiv.2504.01145,
title = {MaLAware: Automating the Comprehension of Malicious Software Behaviours using Large Language Models (LLMs)},
author = {Bikash Saha and Nanda Rani and Sandeep Kumar Shukla},
journal= {arXiv preprint arXiv:2504.01145},
year = {2025}
}
备注
Accepted at MSR 2025