基于频域图像可视化与深度学习的恶意软件检测
密码学与安全
2021-01-27 v1 计算机视觉与模式识别
机器学习
摘要
我们提出一种通过图像分类检测和可视化恶意软件的新方法。可执行二进制文件被表示为在离散余弦变换(DCT)域中由字节 N-gram(N=2)计数得到的灰度图像,并训练神经网络进行恶意软件检测。我们训练了一个浅层神经网络用于分类,并将其准确率与使用迁移学习训练的 ResNet 等深度网络架构进行比较。这些方法既不需要反汇编也不需要恶意软件行为分析。受不同恶意软件族图像视觉相似性的启发,我们将深度神经网络模型与 GIST 描述子等标准图像特征进行比较以评估性能。提出一种联合特征度量,通过误差分析组合不同特征,得到准确的集成模型以提升分类性能。我们创建了一个名为 MaleX 的新数据集,包含约 100 万恶意和良性 Windows 可执行样本,用于大规模恶意软件检测与分类实验。实验结果很有前景,MaleX 上二分类准确率达 96%。所提模型也能很好地泛化到更大的未见恶意软件样本,结果优于最先进的基于静态分析的恶意软件检测算法。
引用
@article{arxiv.2101.10578,
title = {Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning},
author = {Tajuddin Manhar Mohammed and Lakshmanan Nataraj and Satish Chikkagoudar and Shivkumar Chandrasekaran and B. S. Manjunath},
journal= {arXiv preprint arXiv:2101.10578},
year = {2021}
}
备注
Submitted version - Proceedings of the 54th Hawaii International Conference on System Sciences (HICSS) 2021