MalDetConv：基于自然语言处理与深度学习技术的自动化行为式恶意软件检测框架
密码学与安全
2022-09-09 v1
摘要
Windows的普及吸引了黑客/网络攻击者的注意，使得Windows设备近年来成为恶意软件攻击的主要目标。若干复杂的恶意软件变体和反检测手段已显著增强，因此传统恶意软件检测技术的有效性下降。本工作提出了MalBehavD-V1，一个使用动态分析方法从良性与恶意可执行文件中提取的Windows应用程序编程接口（API）调用行为数据集。此外，我们提出MalDetConV，一个新的用于检测已知与零日恶意软件攻击的自动化基于行为的框架。MalDetConv使用基于文本处理的编码器将API调用的特征转换为深度学习模型支持的合适格式，随后使用卷积神经网络与双向门控循环单元的混合（CNN-BiGRU）自动特征提取器选取API调用的高层特征，并将其输入全连接神经网络模块进行恶意软件分类。MalDetConv还使用可解释组件揭示对最终分类结果有贡献的特征，辅助安全分析人员的决策过程。所提框架的性能使用我们的MalBehavD-V1数据集及其他基准数据集进行评估。检测结果表明，MalDetConv优于最先进（SOTA）技术，在检测来自MalBehavD-V1、Allan and John、Brazilian和Ki-D数据集的未见恶意软件时分别取得了96.10%、95.73%、98.18%和99.93%的检测准确率。实验结果显示，MalDetConv在检测Windows设备上的已知与零日恶意软件攻击时高度准确。
引用
@article{arxiv.2209.03547,
title = {MalDetConv: Automated Behaviour-based Malware Detection Framework Based on Natural Language Processing and Deep Learning Techniques},
author = {Pascal Maniriho and Abdun Naser Mahmood and Mohammad Jabed Morshed Chowdhury},
journal= {arXiv preprint arXiv:2209.03547},
year = {2022}
}