利用GPT-4进行提示工程辅助的恶意软件动态分析
密码学与安全
2023-12-14 v1 人工智能
摘要
动态分析方法能有效识别加壳、封装或混淆的恶意软件，从而阻止它们入侵计算机。作为恶意软件动态行为的重要表示，由连续API调用组成的API（应用程序编程接口）序列已逐渐成为动态分析方法的主导特征。尽管已有许多基于API序列的恶意软件检测深度学习模型，但这些模型产生的API调用表示质量有限。这些模型无法为未知API调用生成表示，这削弱了检测性能和泛化能力。此外，API调用的概念漂移现象十分突出。为了解决这些问题，我们引入了一种利用GPT-4进行提示工程辅助的恶意软件动态分析方法。在该方法中，利用GPT-4为API序列中的每个API调用生成解释性文本。随后，使用预训练语言模型BERT获取该文本的表示，并从中推导出API序列的表示。从理论上讲，所提出的方法能够为所有API调用生成表示，且在生成过程中无需进行数据集训练。利用该表示，设计了一个基于CNN的检测模型来提取特征。我们采用五个基准数据集来验证所提出模型的性能。实验结果表明，所提出的检测算法优于最先进的方法。具体而言，在跨数据库实验和少样本学习实验中，所提出的模型取得了出色的检测性能，并且恶意软件召回率几乎达到100%，验证了其卓越的泛化性能。代码可在：github.com/yan-scnu/Prompted_Dynamic_Detection 获取。
引用
@article{arxiv.2312.08317,
title = {Prompt Engineering-assisted Malware Dynamic Analysis Using GPT-4},
author = {Pei Yan and Shunquan Tan and Miaohui Wang and Jiwu Huang},
journal= {arXiv preprint arXiv:2312.08317},
year = {2023}
}