基于 OpCode 的恶意软件分类：机器学习与深度学习技术
密码学与安全
2025-04-21 v1 机器学习
摘要
本技术报告对基于 OpCode 序列的恶意软件分类进行了全面分析。评估了两种不同的方法：基于 n 元agram分析的传统机器学习方法（使用支持向量机 SVM、K 近邻 KNN 和决策树分类器）；以及采用卷积神经网络 CNN 的深度学习方法。传统机器学习方法使用手工提取的 1-gram 和 2-gram 特征构建基准；深度学习方法基于 McLaughlin 等人在《Deep Android Malware Detection》中提出的方法，评估了从原始 OpCode 数据中自动提取特征的 CNN 模型性能。通过标准性能指标（准确率、精确率、召回率和 F1 分数）进行经验结果比较。虽然 SVM 分类器优于其他传统技术，但 CNN 模型在自动特征提取方面表现出竞争力。
引用
@article{arxiv.2504.13408,
title = {OpCode-Based Malware Classification Using Machine Learning and Deep Learning Techniques},
author = {Varij Saini and Rudraksh Gupta and Neel Soni},
journal= {arXiv preprint arXiv:2504.13408},
year = {2025}
}
备注
11 pages