基于图像的恶意软件分类中的迁移学习
机器学习
2019-03-28 v1 密码学与安全
机器学习
摘要
在本文中，我们考虑基于图像分析的恶意软件检测与分类问题。我们将可执行文件转换为图像，并应用深度学习（DL）模型进行图像识别。为了训练这些模型，我们采用基于已在大规模图像数据集上预训练的现有 DL 模型的迁移学习。我们利用该技术进行了多种实验，并将其性能与一种极简单的机器学习技术即 k-近邻（kNN）进行比较。对于我们的 k-NN 实验，我们使用直接从可执行文件中提取的特征，而非图像分析。虽然我们的基于图像的 DL 技术在实验中表现良好，但令人惊讶的是，它被 k-NN 超越。我们表明，DL 模型能够更好地泛化数据，即在模拟零日实验中它们优于 k-NN。
引用
@article{arxiv.1903.11551,
title = {Transfer Learning for Image-Based Malware Classification},
author = {Niket Bhodia and Pratikkumar Prajapati and Fabio Di Troia and Mark Stamp},
journal= {arXiv preprint arXiv:1903.11551},
year = {2019}
}
备注
3rd International Workshop on Formal Methods for Security Engineering (ForSE 2019), in conjunction with the 5th International Conference on Information Systems Security and Privacy (ICISSP 2019), Prague, Czech Republic, February 23-25, 2019