从自分析视角揭示恶意软件模式
密码学与安全
2025-01-13 v1
摘要
Microsoft Windows 的广泛使用导致恶意软件激增，严重威胁数百万用户的安全与隐私。研究社区已动员大量工作加强防御，旨在早期检测恶意软件，防止攻击。然而许多方法要么声称压缩对恶意软件检测影响微小，要么未能在处理压缩样本时验证方法可靠性，因而无法帮助受害者处理压缩程序或从延误检测导致的损害中恢复。基于此，我们提出VisUnpack——一种基于静态分析的数据可视化框架，通过揭示恶意软件模式并提供包括恶意软件类别与家族在内的更详细信息，强化攻击预防并辅助事后恢复。我们的 метод包括解压压缩后的恶意软件程序，基于基本块计算局部相似描述符，增强描述符之间的相关性，并通过最小化噪声获得自分析描述符。此外，我们采用机器学习通过架构学习掌握自分析描述符间的相关性以完成最终分类。基于新收集的27,106个样本的全面评估表明，VisUnpack在准确分类恶意软件程序方面达到99.7%的精度。此外，VisUnpack揭示大多数来自VirusTotal的防病毒产品无法正确处理压缩样本或提供精确的恶意软件分类信息。我们还实现了比现有基于数据可视化的方法的97%的空间节省。
引用
@article{arxiv.2501.06071,
title = {Unveiling Malware Patterns: A Self-analysis Perspective},
author = {Fangtian Zhong and Qin Hu and Yili Jiang and Jiaqi Huang and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:2501.06071},
year = {2025}
}