基于任务感知元学习的孪生神经网络用于分类混淆恶意软件
密码学与安全
2023-06-16 v3 人工智能
摘要
恶意软件作者应用不同的控制流混淆技术，以创建新的恶意软件变体来规避检测。现有的基于孪生神经网络（SNN）的恶意软件检测方法在训练数据集中存在此类混淆恶意软件样本时，无法正确分类不同的恶意软件家族，导致高误报率。为解决此问题，我们提出了一种新颖的基于任务感知少样本学习的孪生神经网络，该网络对受此类控制流混淆技术影响的恶意软件变体的存在具有鲁棒性。除图像特征外，我们使用每个恶意软件家族的平均熵特征作为输入，我们的模型生成特征层的参数，以更准确地调整不同恶意软件家族的特征嵌入，其中每个家族都包含混淆恶意软件变体。此外，即使仅有少量或单个训练样本可用，我们提出的方法也能对恶意软件类别进行分类。我们的模型利用少样本学习与预训练网络（如 VGG-16）提取的特征，以避免通常因使用有限数量训练样本训练模型而产生的偏差。我们提出的方法在识别独特恶意软件签名方面非常有效，从而即使在存在混淆恶意软件变体的情况下，也能正确分类属于同一恶意软件家族的恶意软件样本。我们的实验结果通过 N-way on N-shot 学习验证，表明我们的模型在分类准确率方面非常有效，超过 91% 的准确率，优于其他类似方法。
引用
@article{arxiv.2110.13409,
title = {Task-Aware Meta Learning-based Siamese Neural Network for Classifying Obfuscated Malware},
author = {Jinting Zhu and Julian Jang-Jaccard and Amardeep Singh and Paul A. Watters and Seyit Camtepe},
journal= {arXiv preprint arXiv:2110.13409},
year = {2023}
}