.png){kind=icon}
返回
An explainable and robust ensemble-based framework for malware detection
.png){kind=icon}
OA
AI
DOI：10.1007/s12083-026-02231-9.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件日益增长的复杂性已显示出传统基于签名的检测方案以及黑箱机器学习方案的显著不足，特别是在透明性、对抗规避抵抗能力和可靠运行方面。本文介绍了一种清晰有效的恶意软件检测架构，可用于在实际网络安全场景中克服这些问题。所提出的方法将基于集成学习的Light Gradient Boosting Machine（LightGBM）分类器与模型无关的可解释性方法和对抗防御策略联合集成到一个检测系统中。分类器基于Windows可移植可执行（PE）文件的提取特征进行训练，这些特征包括字节级别的统计信息和基于EMBER基准数据集推导的结构特征。为提高可解释性，该框架集成了局部可解释模型无关解释（LIME）和谢尔利加法解释（SHAP），为模型决策提供实例级和全局层面的洞察。对对抗规避的鲁棒性通过基于代理的梯度攻击进行评估，包括快速梯度符号法（FGSM）和投影梯度下降（PGD），并结合对抗训练和防御蒸馏等防御机制。实验结果表明，所提出的框架在保持稳定可靠解释的同时，达到91.16%的准确率和0.974的ROC-AUC分数。在对抗条件下，该模型相较于未防御的基线保持了显著更高的分类性能。此外，以部署为导向的评估表明，端到端管道在模拟云环境中支持近实时检测，且延迟可接受。本研究并非提出新的学习算法，而是专注于在一个操作框架内系统性地集成和评估可解释性、鲁棒性和部署可行性。所提出的方法为现代网络安全系统中的AI驱动恶意软件检测提供了一种实用且可信的解决方案。
Keyword:
Malware detection
Explainable artificial intelligence
Adversarial robustness
Machine learning security
Static malware analysis
Interpretable machine learning
Cybersecurity analytics
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
2.2K
被引数:
2.9K
机构
引用论文
A systematic review on the integration of explainable artificial intelligence in intrusion detection systems to enhancing transparency and interpretability in cybersecurity关于将可解释的人工智能集成到入侵检测系统中以提高网络安全的透明度和可解释性的系统综述OAAI
OAAI分享收藏Enhanced detection of obfuscated malware in memory dumps: a machine learning approach for advanced cybersecurity增强对内存转储中混淆恶意软件的检测: 一种用于高级网络安全的机器学习方法.png)
CYBERSECURITY
OAAI
CYBERSECURITYIF3.7
OAAI分享收藏Nazim, S.; Alam, M.M.; Rizvi, S.S.; Mustapha, J.C.; Hussain, S.S.; Suud, M.M. Advancing malware imagery classification with explainable deep learning: A state-of-the-art approach using SHAP, LIME and Grad-CAM. PLoS ONE 2025, 20, e0318542. [Google Scholar] [CrossRef] [PubMed]Nazim, S.; Alam, M.M.; Rizvi, S.S.; Mustapha, J.C.; Hussain, S.S.; Suud, M.M. 利用可解释深度学习推进恶意软件图像分类：基于SHAP、LIME和Grad-CAM的现有技术方法。PLoS ONE 2025, 20, e0318542. [Google Scholar] [CrossRef] [PubMed]
IF0
PREAI
分享收藏A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME可解释的人工智能方法的视角: SHAP和LIMEOAAI
OAAI分享收藏An effective deep learning scheme for android malware detection leveraging performance metrics and computational resources一种基于性能指标和计算资源的高效深度学习方案用于安卓恶意软件检测
PREAI
分享收藏Outsmarting Android Malware with Cutting-Edge Feature Engineering and Machine Learning Techniques利用前沿特征工程和机器学习技术应对Android恶意软件OAAI
OAAI分享收藏
查看更多内容