相似性在检测伪装文件中的作用

相似性已广泛应用于各种安全应用，通常用于机器学习模型中。我们研究了伪装样本提出的问题；即由恶意行为者 crafted 以与合法样本相似或几乎相同的样本。我们发现这些样本可能给机器学习解决方案带来重大问题。主要问题在于恶意行为者可以通过使用伪装样本来规避机器学习解决方案。随后，我们考察了数字签名与机器学习解决方案之间的相互作用。特别是，我们关注可执行文件和代码签名。我们为伪装文件提供了一种分类法。我们结合使用相似性和聚类来发现伪装文件。我们利用在此过程中收集的见解，为基于相似性和机器学习的安全解决方案提供改进建议。