.png){kind=icon}
返回
Automatic linux malware detection using binary inspection and runtime opcode tracing☆
.png){kind=icon}
PRE
AI
DOI：10.1016/j.micpro.2025.105237.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数字基础设施面临的快速发展的网络攻击需要新的防护机制来应对。恶意软件攻击作为一种网络攻击，其范围从病毒和蠕虫到勒索软件和间谍软件不等，传统上采用基于签名的检测方法。但随着恶意软件新版本的涌现，这种方法已不足以应对，而新的机器学习工具显示出希望。本文提出两种使用机器学习模型检测Linux恶意软件的方法：(1) 一种动态方法，即在执行过程中跟踪应用程序执行指令（操作码）；(2) 一种静态方法，即在执行前检查二进制应用程序文件。我们评估了(1)五种机器学习模型（支持向量机、k-最近邻、朴素贝叶斯、决策树和随机森林）和(2)一种使用长短期记忆架构与词嵌入的深度神经网络。我们展示了方法论、初始数据集准备、用于获取执行指令轨迹的基础设施，以及不同模型的实验结果评估。获得的结果表明，动态方法结合随机森林分类器的准确率达到90%或更高，而静态方法则达到98%的准确率。
Keyword:
Linux malware detection
Static analysis
Dynamic analysis
Opcodes
Machine learning
期刊
M
IF:
2.6
论文数:
104
被引数:
3.2K
机构
引用论文
分享收藏A New Malware Classification Framework Based on Deep Learning Algorithms一种新的基于深度学习算法的恶意软件分类框架.png)
IEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏MalFCS: An effective malware classification framework with automated feature extraction based on deep convolutional neural networksMalFCS: 基于深度卷积神经网络的自动特征提取的有效恶意软件分类框架
PREAI
分享收藏Opcode sequences as representation of executables for data-mining-based unknown malware detection
PREAI
分享收藏 没有更多内容
没有更多内容