基于自监督视觉Transformer的恶意软件检测
密码学与安全
2022-09-16 v1 计算机视觉与模式识别
摘要
随着恶意软件数量的增长和网络攻击手段的进步，恶意软件检测在网络安全中发挥着关键作用。这些攻击中经常使用安全厂商尚未识别的未知恶意软件，因此寻找一种能够从无标签样本数据中自我学习的解决方案已变得不可避免。本文提出SHERLOCK，一种基于自监督的深度学习模型，基于Vision Transformer (ViT)架构检测恶意软件。SHERLOCK是一种新颖的恶意软件检测方法，它利用基于图像的二进制表示学习独特特征，以区分恶意软件与良性程序。使用涵盖47种类型和696个家族的层级结构中的120万个Android应用程序的实验结果表明，自监督学习在恶意软件二分类中可达到97%的准确率，高于现有最先进(state-of-the-art, SOTA)技术。我们提出的模型在类型和家族的多类恶意软件分类上也优于最先进技术，其宏F1分数分别为0.497和0.491。
引用
@article{arxiv.2208.07049,
title = {Self-Supervised Vision Transformers for Malware Detection},
author = {Sachith Seneviratne and Ridwan Shariffdeen and Sanka Rasnayaka and Nuran Kasthuriarachchi},
journal= {arXiv preprint arXiv:2208.07049},
year = {2022}
}