基于图神经网络的恶意软件家族分析序列特征提取
密码学与安全
2022-08-12 v1 人工智能
摘要
恶意软件（malware）对我们的设备和生活造成很大危害。我们迫切希望了解恶意软件的行为及其造成的威胁。大多数恶意软件记录文件为带时间戳的可变长度基于文本的文件，例如事件日志数据和动态分析档案。利用时间戳，我们可以将此类数据排序为基于序列的数据以供后续分析。然而，处理可变长度的基于文本的序列是困难的。此外，与自然语言文本数据不同，信息安全中的大多数序列数据具有特定属性和结构，例如循环、重复调用、噪声等。为深入分析具有其结构的 API 调用序列，我们使用图来表示序列，从而可进一步研究信息和结构，例如马尔可夫模型。因此，我们设计并实现了一种注意力感知图神经网络（Attention Aware Graph Neural Network, AWGCN）来分析 API 调用序列。通过 AWGCN，我们可以获得序列嵌入以分析恶意软件的行为。此外，分类实验结果表明，AWGCN 在类调用数据集中优于其他分类器，且该嵌入可进一步提升经典模型的性能。
引用
@article{arxiv.2208.05476,
title = {Sequence Feature Extraction for Malware Family Analysis via Graph Neural Network},
author = {S. W. Hsiao and P. Y. Chu},
journal= {arXiv preprint arXiv:2208.05476},
year = {2022}
}
备注
13 pages