符号分析结合联邦学习以增强恶意软件识别器
密码学与安全
2022-05-02 v1
摘要
过去几年中，由于恶意软件威胁数量不断增长，手动创建检测规则的方法在反恶意软件产品中已不再实用。因此，转向机器学习方法是使恶意软件识别更高效的有前途途径。传统的集中式机器学习需要大量数据来训练性能优异的模型。为促进恶意软件检测，训练数据可能分布于各类数据源，如主机、网络和基于云的反恶意软件组件上的数据，甚至不同企业的数据。为避免数据收集开销及隐私数据泄露，我们提出一种联邦学习系统，通过行为图（即系统调用依赖图）识别恶意软件。它基于包含图自编码器和多分类器模块的深度学习模型。该模型由客户端间的安全学习协议训练，以防范推理攻击保护隐私数据。使用该模型识别恶意软件，我们在同构图数据上达到85%准确率，在非同构图数据上达到93%准确率。
引用
@article{arxiv.2204.14159,
title = {Symbolic analysis meets federated learning to enhance malware identifier},
author = {Khanh Huu The Dam and Charles-Henry Bertrand Van Ouytsel and Axel Legay},
journal= {arXiv preprint arXiv:2204.14159},
year = {2022}
}