使用深度提升学习的恶意软件分类
密码学与安全
2021-07-09 v1 计算机视觉与模式识别
机器学习
摘要
网络空间中的恶意活动已超越简单地入侵机器和传播病毒。它已成为对国家生存的挑战，并演变为网络战。恶意软件是网络犯罪的关键组成部分，其分析是抵御攻击的第一道防线。本工作提出了一种新颖的基于深度提升混合学习的恶意软件分类框架，命名为基于深度提升特征空间的恶意软件分类（DFS-MC）。在所提框架中，通过融合性能最佳的定制CNN架构模型的特征空间并将其判别力通过SVM进行分类来增强判别能力。所提分类框架的判别能力通过与标准定制CNN对比进行评估。定制CNN模型以两种方式实现：softmax分类器和基于深度混合学习的恶意软件分类。在混合学习中，从定制CNN架构提取深度特征并输入常规机器学习分类器以改进分类性能。我们还通过微调在基于定制CNN架构的恶意软件分类框架中引入了迁移学习的概念。所提恶意软件分类方法的性能在MalImg恶意软件数据集上使用留出交叉验证技术进行验证。通过使用从头训练的革新性定制CNN以及利用迁移学习微调定制CNN进行了实验比较。所提分类框架DFS-MC显示出改进的结果，准确率：98.61%，F值：0.96，精确率：0.96，召回率：0.96。
引用
@article{arxiv.2107.04008,
title = {Malware Classification Using Deep Boosted Learning},
author = {Muhammad Asam and Saddam Hussain Khan and Tauseef Jamal and Umme Zahoora and Asifullah Khan},
journal= {arXiv preprint arXiv:2107.04008},
year = {2021}
}