SUNDEW：一种用于恶意软件大小写敏感检测的预测器集成框架
密码学与安全
2022-11-15 v2
摘要
恶意软件程序多种多样，其目标、功能和威胁级别各异，从单纯的弹窗到经济损失不等。因此，它们在系统中的运行时足迹不同，影响了对于恶意软件检测起关键作用的最优数据源（网络、操作系统（OS）、硬件）和特征。此外，恶意软件类别威胁级别的差异影响了用户的检测需求。因此，每个恶意软件类别的最优<数据源, 特征, 用户需求>元组不同，这影响了忽略这些细微差异的最先进检测方案。本文提出SUNDEW，一种利用各类别最优<数据源, 特征, 用户需求>元组检测恶意软件类别的框架。SUNDEW使用一组专用预测器，每个均用特定数据源（网络、OS和硬件）训练，并针对特定类别的特征和需求调优。虽然具有系统全局视野的专用集成改善了检测，但聚合来自不同预测器的独立冲突推断具有挑战性。SUNDEW通过考虑威胁级别、数据源中的噪声和先验领域知识的分层聚合解决此类冲突。我们在一个包含来自8个类别的超过10,000个恶意软件样本的真实数据集上评估SUNDEW。其对大多数类别取得F1分数为1，平均0.93，且有限性能开销为1.5%。
引用
@article{arxiv.2211.06153,
title = {SUNDEW: An Ensemble of Predictors for Case-Sensitive Detection of Malware},
author = {Sareena Karapoola and Nikhilesh Singh and Chester Rebeiro and Kamakoti V},
journal= {arXiv preprint arXiv:2211.06153},
year = {2022}
}