基于关系感知的 Siamese 去噪自编码器用于恶意软件少样本分类
密码学与安全
2024-11-22 v1
摘要
当恶意软件利用未知的零日漏洞时，漏洞扫描程序和杀毒软件等传统安全措施可能无法检测到它们。这是因为这些工具依赖于已知补丁和特征码，而这些对于新的零日攻击并不存在。此外，现有的机器学习方法在特定且偶尔过时的恶意软件样本上训练，可能难以适应新恶意软件中的特征。为了解决这个问题，需要一种更鲁棒的机器学习模型，该模型能够在未针对特定恶意软件特征集进行训练的情况下识别恶意软件样本之间的关系。这在网络安全领域尤为关键，因为该领域恶意软件样本数量有限且广泛使用混淆技术。当前使用堆叠自编码器的方法旨在通过重构输入来消除混淆技术引入的噪声。然而，这种方法忽略了不同恶意软件样本之间跨特征的语义关系。为了克服这一局限性，我们提出了一种新颖的 Siamese 神经网络（SNN），它使用关系感知嵌入，基于不同恶意软件样本的语义细节来计算更准确的相似度概率。此外，通过使用熵图像作为输入，即使在存在混淆技术的情况下，我们的模型也能提取更好的结构信息并发现恶意软件特征码中的细微差异。在两个大型恶意软件样本集上使用 N-shot 和 N-way 方法的评估表明，我们提出的模型在预测先前未见的恶意软件方面非常有效，即使在存在混淆技术的情况下也是如此。
引用
@article{arxiv.2411.14029,
title = {Relation-aware based Siamese Denoising Autoencoder for Malware Few-shot Classification},
author = {Jinting Zhu and Julian Jang-Jaccard and Ian Welch and Harith AI-Sahaf and Seyit Camtepe and Aeryn Dunmore and Cybersecurity Lab},
journal= {arXiv preprint arXiv:2411.14029},
year = {2024}
}