A Malware Detection Approach Based on Deep Learning and Memory Forensics

doi:10.3390/sym15030758

A Malware Detection Approach Based on Deep Learning and Memory Forensics

2023-03-19

0

OA

AI

DOI：10.3390/sym15030758

原文链接

原文求助

摘要

En 中文

随着网络攻击日益复杂和高级化，新型恶意软件变得更加危险且难以检测。特别是无文件恶意软件直接将恶意代码注入物理内存，而不会在磁盘文件上留下攻击痕迹。这种攻击类型隐蔽性极高，难以在静态文件中发现恶意代码。针对内存中的恶意进程，基于签名的检测方法正变得愈发无效。为应对这些挑战，本文提出了一种基于卷积神经网络和内存取证技术的恶意软件检测方法。由于恶意软件具有许多对称特征，保存的训练模型可以检测具有对称特征的恶意代码。该方法包括收集可执行静态恶意和良性样本，在沙箱中运行收集的样本，并通过内存取证技术构建内存中的可移植可执行文件（PE）数据集。当进程运行时，并非所有程序内容都被加载到内存中，因此采用二进制片段进行恶意软件分析，而非完整的PE文件。PE文件片段选择不同长度和位置。我们在生成的数据集上进行了多项实验以测试模型，其中4096字节的头部片段PE文件准确率最高，达到97.48%。此外，本文最后举例说明了无文件攻击的示例。结果表明，所提出的方法能够有效检测恶意代码，尤其是无文件攻击，其准确率优于常见的机器学习方法。

A Malware Detection Approach Based on Deep Learning and Memory Forensics

摘要

期刊

机构

引用论文