基于对比学习的低延迟自适应勒索软件检测
密码学与安全
2025-10-28 v1 人工智能
摘要
勒索软件因其快速演变、早期检测的必要性以及日益增多的多样性,已成为网络安全的重大威胁,给传统检测方法带来了重大挑战.虽然已提出多种基于AI的方法来辅助勒索软件检测,但现有方法存在三个主要局限性:特征依赖性强、响应延迟以及对未见变种的适应性有限.本文提出了一个集成自监督对比学习与神经网络搜索(NAS)的框架,以解决上述挑战.具体而言,本文提供了三个重要贡献:(1)设计了一种对比学习框架,用于分析目标勒索软件的运行时行为,纳入硬件性能计数器(HPC);(2)引入自定义损失函数,鼓励早期检测恶意活动,显著减少检测延迟;(3)部署神经网络搜索(NAS)框架,自动构建自适应模型架构,使检测器能够灵活地适应未见的勒索软件变种.实验结果表明,我们的方法在检测准确率(提升最高达16.1%)和响应时间(提升最高达6倍)方面均显著优于现有方法,同时在抵抗攻击方面保持稳健性.
引用
@article{arxiv.2510.21957,
title = {Towards Low-Latency and Adaptive Ransomware Detection Using Contrastive Learning},
author = {Zhixin Pan and Ziyu Shu and Amberbir Alemayoh},
journal= {arXiv preprint arXiv:2510.21957},
year = {2025}
}
备注
This paper was accepted in the 2025 IEEE International Conference on Computer Design (ICCD)