基于深度学习特征提取与包装式特征选择的恶意软件分类
密码学与安全
2020-12-29 v3 机器学习
摘要
在恶意软件分析中，恶意文件的分类是检测之后的关键步骤。迄今已报道了众多用于恶意软件分类的静态与动态技术。本研究提出一种基于静态方法的深度学习恶意软件检测（DLMD）技术，用于分类不同的恶意软件家族。所提出的 DLMD 技术同时使用字节文件与 ASM 文件进行特征工程，从而分类恶意软件家族。首先，使用两种不同的深度卷积神经网络（CNN）从字节文件中提取特征。之后，采用基于包装式的机制选择关键且具有判别力的操作码特征，其中使用支持向量机（SVM）作为分类器。其思路是通过组合不同特征空间来构建混合特征空间，以克服特定特征空间的缺陷，从而降低漏检恶意软件的可能性。最后，利用该混合特征空间训练一个多层感知机，对所有九种不同恶意软件家族进行分类。实验结果表明，所提出的 DLMD 技术在十次独立运行中达到 0.09 的对数损失。此外，将所提 DLMD 技术的性能与不同分类器进行比较，显示了其在恶意软件分类中的有效性。相关代码与数据库可在 https://github.com/cyberhunters/Malware-Detection-Using-Machine-Learning 获取。
引用
@article{arxiv.1910.10958,
title = {Malware Classification using Deep Learning based Feature Extraction and Wrapper based Feature Selection Technique},
author = {Muhammad Furqan Rafique and Muhammad Ali and Aqsa Saeed Qureshi and Asifullah Khan and Anwar Majid Mirza},
journal= {arXiv preprint arXiv:1910.10958},
year = {2020}
}
备注
21 pages, 8 figures, 11 tables