DMalNet: Dynamic malware analysis based on API feature engineering and graph learning

doi:10.1016/j.cose.2022.102872

2022-11-01

PRE

DOI：10.1016/j.cose.2022.102872

原文链接

原文求助

摘要

En 中文

应用程序编程接口 (api) 被广泛认为是用于动态恶意软件分析以了解恶意软件行为特征的有用数据源。然而，基于API的恶意软件分析的准确性由于两个原因而受到限制。(1) 现有解决方案通常只考虑API名称而忽略API参数，或者不能充分利用来自不同类型参数的语义信息。(2) API调用之间的关系对于描述软件行为很重要，但很难捕获。为了克服上述限制，我们提出了DMalNet，一种新的恶意软件分析框架，用于准确的恶意软件检测和分类。具体来说，我们首先提出了一个hy-brid特征编码器，用于从API名称和参数中提取语义特征。然后，我们从API调用序列中推导出API调用图，以将API调用之间的关系转换为图的结构信息。最后，我们设计了一个图神经网络来实现恶意软件检测和类型分类。为了评估我们的方法，我们使用了属于8种恶意软件类型的超过20k良性和18k恶意样本的数据集。DMalNet在恶意软件检测和恶意软件类型分类方面分别实现了98.43% 和91.42% 的准确性。我们还进行了消融研究，以评估API特征工程和图形学习模型的影响。进一步的实验表明，DMalNet可以有效地检测恶意软件。(三) 2022爱斯唯尔有限公司。版权所有。

Keyword:

Malware detection

Malware type classification

API Feature engineering

API Call graph

Deep learning

Graph neural network