Malfustection：结合半监督与对比学习在数据短缺下的混淆恶意软件检测与分类
密码学与安全
2022-02-23 v2
摘要
随着新技术的出现，各类数字设备的使用日益普及。在当今离不开技术的世界中，计算机的大量使用为恶意活动开辟了道路。因此，提供防御这些威胁的方案十分重要。恶意软件是恶意攻击者用于破坏性活动的知名且被广泛使用的手段之一。从零编写恶意软件颇为困难，故攻击者倾向于混淆现有恶意软件并将其改造为难以识别的程序。由于利用混淆从旧恶意软件创造新恶意软件是一项创造性任务，识别混淆恶意软件存在一些弊端。本研究提出一种解决方案以克服该问题：第一步将代码转换为图像，随后采用结合对比学习的半监督方法。此时，恶意软件字节码中的混淆对应于图像中的增广。因此，通过利用模拟某些混淆变化并组合以生成复杂模糊过程的有意义增广，我们所提方案能够构建、学习并检测大范围的混淆。本工作解决两个问题：1）尽管数据匮乏仍进行恶意软件分类；2）通过在非混淆恶意软件上训练来检测混淆恶意软件。结果表明，所提方法克服了恶意软件分类中的数据短缺问题，其仅使用10%数据训练模型时准确率达90.1%。此外，在无非混淆的基础恶意软件上训练，在检测混淆恶意软件时取得了96.21%的准确率。
引用
@article{arxiv.2111.09975,
title = {Malfustection: Obfuscated Malware Detection and Malware Classification with Data Shortage by Combining Semi-Supervised and Contrastive Learning},
author = {Mohammad Mahdi Maghouli and Mohamadreza Fereydooni and Monireh Abdoos and Mojtaba Vahidi-Asl},
journal= {arXiv preprint arXiv:2111.09975},
year = {2022}
}
备注
We are changing the method