基于 1D CNN 的信号驱动恶意软件分类
密码学与安全
2025-09-10 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
恶意软件分类是网络安全中一个当代且持续的挑战：现代混淆技术能够规避传统的静态分析，而动态分析由于资源消耗过大，难以大规模部署。一条突出的研究思路通过将恶意软件二进制文件启发式地重塑为二维网格，再使用 Lanczos 重采样进行缩放，将其转换为二维图像，从而解决这些局限性。然后可以基于这些图像的纹理信息，利用计算机视觉方法进行分类。虽然这种方法比静态分析更能有效检测混淆恶意软件，但将文件转换为二维图像的过程会导致显著的信息损失，这既源于舍入到整数像素值所产生的量化噪声，也源于在原始数据中并不存在的二维依赖关系的引入。这种信号损失限制了下游模型的分类性能。本工作通过将文件调整为 1D 信号来解决这些弱点，从而避免了启发式重塑的需要，并且这些信号由于以浮点格式存储而不受量化噪声的影响。研究表明，现有的二维 CNN 架构可以轻松适配以对这些 1D 信号进行分类，从而提升性能。此外，我们开发了一个基于 ResNet 架构和压缩激励层的定制一维卷积神经网络，用于对这些信号进行分类，并在 MalNet 数据集上进行了评估。结果显示，该方法在二进制、类型和家族级别的分类上均达到了最先进的性能，F1 分数分别为 0.874、0.503 和 0.507，为未来模型在提出的信号模态上运行铺平了道路。
引用
@article{arxiv.2509.06548,
title = {Signal-Based Malware Classification Using 1D CNNs},
author = {Jack Wilkie and Hanan Hindy and Ivan Andonovic and Christos Tachtatzis and Robert Atkinson},
journal= {arXiv preprint arXiv:2509.06548},
year = {2025}
}
备注
Accepted for publication in Springer Cybersecurity (2025)