基于多示例学习表述的鲁棒实时硬件移动恶意软件检测
密码学与安全
2024-04-23 v1 机器学习
摘要
本研究引入了 RT-HMD，一种用于移动设备的基于硬件的恶意软件检测器（HMD），它通过多示例学习（MIL）方法改进了分段时间序列中的恶意软件表示。我们解决了实时 HMD 中的误标记问题，即恶意软件时间序列中的良性片段错误地继承了恶意软件标签，从而导致误报率增加。利用在 MIL 框架内提出的恶意判别分数，RT-HMD 有效地识别了局部化的恶意软件行为，从而提高了预测准确性。基于从移动平台收集的包含 723 个良性样本和 1033 个恶意软件样本的硬件遥测数据集进行的实证分析表明，在保持召回率的同时，精确度提升了 5%，优于受良性片段误标记影响的基线方法。
引用
@article{arxiv.2404.13125,
title = {Towards Robust Real-Time Hardware-based Mobile Malware Detection using Multiple Instance Learning Formulation},
author = {Harshit Kumar and Sudarshan Sharma and Biswadeep Chakraborty and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2404.13125},
year = {2024}
}
备注
Under peer review