ScriptNet：用于恶意 JavaScript 检测的神经网络静态分析
密码学与安全
2019-04-03 v1 人工智能
机器学习
摘要
恶意脚本是现实世界中重要的计算机感染威胁载体。对于 Web 规模的处理，静态分析提供了可观的计算效率。我们提出了基于静态分析的用于神经恶意 JavaScript 检测的 ScriptNet 系统。我们使用长序列卷积划分（CPoLS）模型，该模型将 Javascript 文件作为字节序列处理。较低层捕获这些字节序列的顺序特性，而较高层将所得嵌入分类为恶意或良性。与先前提出的解决方案不同，我们的模型变体以端到端方式训练，即使对顺序处理层也允许判别训练。在包含 212,408 个 JavaScript 文件的大型语料库上评估该模型表明，性能最佳的 CPoLS 模型在前 60K 字节子序列上以 0.50% 的假阳性率（FPR）提供 97.20% 的真阳性率（TPR）。性能最佳的 CPoLS 模型显著优于多个基线模型。
引用
@article{arxiv.1904.01126,
title = {ScriptNet: Neural Static Analysis for Malicious JavaScript Detection},
author = {Jack W. Stokes and Rakshit Agrawal and Geoff McDonald and Matthew Hausknecht},
journal= {arXiv preprint arXiv:1904.01126},
year = {2019}
}