恶意软件任务识别：一种数据驱动方法
密码学与安全
2015-07-08 v1
摘要
识别给定恶意软件片段旨在执行的任务（例如记录击键、录制视频、建立远程访问等）是一项困难且耗时的操作，在实践中主要由人工驱动。在本文中，我们提出了一种自动化方法来识别恶意软件任务。使用两个不同的恶意软件集合，我们探索了每种情况下的各种环境——包括训练数据与测试数据显著不同的情况；被评估的恶意软件使用加壳来阻挠分析技术的情况；以及训练数据稀疏的条件。我们发现，这种方法在恶意软件任务识别方面始终优于当前最先进的软件以及标准机器学习方法——通常达到超过 0.9 的无偏 F1 分数。在不久的将来，我们希望将我们的方法部署到实际网络安全环境中供分析师使用。
引用
@article{arxiv.1507.01930,
title = {Malware Task Identification: A Data Driven Approach},
author = {Eric Nunes and Casey Buto and Paulo Shakarian and Christian Lebiere and Stefano Bennati and Robert Thomson and Holger Jaenisch},
journal= {arXiv preprint arXiv:1507.01930},
year = {2015}
}
备注
8 pages full paper, accepted FOSINT-SI (2015)