通过科学机器学习理解恶意软件传播动力学
机器学习
2025-07-11 v1 密码学与安全
摘要
准确建模恶意软件传播对于设计有效的网络安全防御措施至关重要，尤其是针对会在现实世界中实时演化的适应性威胁。虽然传统的流行病学模型和最近的神经方法提供了有用的基础，但往往未能完全捕捉现实网络中存在的非线性反馈机制。本文通过科学机器学习方法进行恶意软件建模，通过评估三种方法：经典的常微分方程（ODEs）、通用微分方程（UDEs）和神经ODE。我们采用 Code Red 蛇蝎疫情期间的数据，表明 UDE 方法在预测误差上较传统和神经基线方法降低了 44%，同时保持可解释性。我们引入一种符号恢复方法，将所学习的神经反馈转化为显式的数学表达式，揭示了网络饱和、安全响应和恶意软件变种演化等抑制机制。我们的结果表明，混合物理信息模型在预测准确性和对传播动力学的深入理解方面均优于纯分析和纯神经方法，为开发早期预警系统、高效的疫情响应策略以及有针对性的网络防御干预提供了支持。
引用
@article{arxiv.2507.07143,
title = {Understanding Malware Propagation Dynamics through Scientific Machine Learning},
author = {Karthik Pappu and Prathamesh Dinesh Joshi and Raj Abhijit Dandekar and Rajat Dandekar and Sreedath Panat},
journal= {arXiv preprint arXiv:2507.07143},
year = {2025}
}
备注
17 pages, 6 figures, 4 tables