基于提示分段模型的恶意软件检测：PromptSAM+
密码学与安全
2024-08-06 v1
摘要
机器学习和深度学习技术在恶意软件检测中得到广泛应用，但现有方法仍存在诸多问题：(1) 过度追求准确率，忽视了假阳性和假阴性率；(2) 随着恶意软件演化，分类器性能随时间显著下降；(3) 依赖大量标记数据训练，需依赖特征工程或领域知识构建特征库，标记数据稀缺时效果差。本文提出一种基于大型视觉网络分割模型——提示分段模型（PromptSAM）的视觉恶意软件通用增强分类框架‘PromptSAM+'。实验表明，'PromptSAM+' 在恶意软件检测与分类中有效且高效，实现高准确率并控制假阳性和假阴性率。该方法在多个数据集上超越最新图像-based 恶意软件检测技术。'PromptSAM+' 可缓解现有图像-based 恶意软件分类器的老化问题，通过主动学习减少对新恶意软件样本的人力标注需求。我们在Windows和Android平台上进行实验，取得 favorable 结果。此外，消融实验表明，该模型在大型视觉网络中识别出有效模块。
引用
@article{arxiv.2408.02066,
title = {PromptSAM+: Malware Detection based on Prompt Segment Anything Model},
author = {Xingyuan Wei and Yichen Liu and Ce Li and Ning Li and Degang Sun and Yan Wang},
journal= {arXiv preprint arXiv:2408.02066},
year = {2024}
}
备注
13pages, 10figures