理解计算机视觉技术在恶意软件检测中的有效性、可靠性与弹性及未来研究方向

我的研究处于安全与机器学习的交叉领域。本综述总结了我的研究的一个组成部分：将计算机视觉与恶意软件漏洞检测相结合以增强安全解决方案。我将从有效性、可靠性和弹性三个视角出发，将威胁检测表述为计算机视觉问题，并开发基于图像的state-of-the-art恶意软件分类方法。将恶意软件二进制表示为图像可提供数据样本的直接可视化，减少特征提取的工作量，并利用整个二进制进行整体结构分析。采用对大规模图像分类有效的深度神经网络迁移学习用于恶意软件分类，相比经典机器学习算法展现出更优的分类有效性。为提升这些基于视觉的恶意软件检测器的可靠性，可在恶意软件视觉表征上构建解释框架，有助于提取忠实解释，使安全从业者在部署前对模型有信心。在网络安全应用中，我们应始终假设恶意软件编写者不断修改代码以绕过检测。解决恶意软件检测器的弹性问题与有效性和可靠性同等重要。通过理解用于恶意软件检测的机器学习模型的攻击面，我们可以大幅提升算法在真实环境中对抗恶意软件对手的鲁棒性。最后，我将讨论该研究领域值得推进的未来研究方向。