基于任务记忆与元迁移学习框架的恶意软件分诊方法
密码学与安全
2023-03-28 v4
摘要
为提升事件响应分诊操作的效率，在复杂网络环境中对所有系统等同防御并不具备成本效益。相反，优先防御关键功能与最易受攻击的系统是更可取的。威胁情报对于引导安全运营中心（SOC）分析师关注特定系统活动至关重要，并为解读安全告警提供主要上下文基础。本文探索了改进事件响应分诊操作的新方法，包括应对攻击与零日恶意软件。这种针对不同恶意软件快速优先级排序的解决方案已被提出，以制定快速响应计划，从而最小化近年来恶意软件攻击海量增长带来的社会经济损害，它也可扩展至其他事件响应。我们提出了一种可快速分类并优先级排序不同恶意软件类别的恶意软件分诊方法以应对此问题。我们利用基于 Siamese Neural Network（SNN）的预训练 ResNet18 网络来减少权重与参数中的偏差。此外，我们的方法融合外部任务记忆以保留先前所见样本的任务信息。这有助于将经验迁移至新样本并降低计算成本，且无需在外部记忆上反向传播。评估结果表明，我们提出方法的分类方面在性能上超越了其他类似分类技术。这种基于任务记忆与元学习的新型分诊策略评估恶意软件类别间的相似度匹配水平，以识别任何有风险及未知的恶意软件（如零日攻击），从而能够对支持关键功能的那些对象进行防御。
引用
@article{arxiv.2207.10242,
title = {Malware Triage Approach using a Task Memory based on Meta-Transfer Learning Framework},
author = {Jinting Zhu and Julian Jang-Jaccard and Ian Welch and Harith Al-Sahaf and Seyit Camtepe},
journal= {arXiv preprint arXiv:2207.10242},
year = {2023}
}