.png){kind=icon}
返回
Efficient Image-Based Memory Forensics for Fileless Malware Detection Using Texture Descriptors and LIME-Guided Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/computers14110467.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
内存取证是一种重要的网络安全工具，能够全面检查易失性内存，以检测可绕过磁盘分析的文件缺失型恶意软件的恶意活动。基于图像的检测技术通过将内存数据可视化为图像，为图像处理工具和机器学习方法提供了一种有前景的解决方案。然而，基于图像数据的检测和分类的有效性需要高昂的计算开销。本文研究了基于纹理的方法在检测和分类内存驻留或文件缺失型恶意软件方面的有效性，采用不同的图像分辨率，识别能够准确将恶意软件分类到特定家族并区分其与良性软件的最佳特征描述符、分类器和分辨率。此外，本文使用了局部和全局描述符，其中局部描述符包括定向FAST和旋转BRIEF (ORB)、尺度不变特征变换 (SIFT) 和方向梯度直方图 (HOG)，而全局描述符包括离散小波变换 (DWT)、GIST 和灰度共生矩阵 (GLCM)。结果表明，随着图像分辨率的提高，大多数特征描述符会产生更具区分性的特征，但在时间和处理资源方面需要更高的计算开销。为解决这一挑战，本文提出了一种新颖的方法，将局部可解释模型无关解释 (LIME) 与深度学习模型集成，以自动识别和裁剪内存图像中最重要的区域。LIME 的感兴趣区域 (ROI) 分别基于 ResNet50 和 MobileNet 模型的预测提取，图像被调整为 128 × 128 大小，并通过动态采样过程加速 LIME 计算的执行。图像的 ROI 在两个阶段（粗略阶段和精细阶段）被裁剪为大小为 (100 × 100) 的新图像。使用 ResNet50 和 MobileNet 生成的两组基于 LIME 的裁剪图像被输入轻量级神经网络，以评估 LIME 识别区域的有效性。结果表明，基于 LIME 的 MobileNet 模型的预测通过保留重要特征，将模型效率提高了 85% 的多类分类准确率。
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
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Fahad Malik, M.; Gul, A.; Saadia, A.; Alserhani, F.M. Few-Shot Learning with Prototypical Networks for Improved Memory Forensics. IEEE Access 2025, 13, 79397–79409. [Google Scholar] [CrossRef]Fahad Malik, M.; Gul, A.; Saadia, A.; Alserhani, F.M. 基于原型网络的少样本学习以改进内存取证分析。IEEE Access 2025, 13, 79397–79409. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏A Malware Detection Approach Based on Deep Learning and Memory Forensics基于深度学习和内存取证的马尔恶件检测方法Symmetry
OAAI
SymmetryIF0
OAAI分享收藏Hasan, S.M.R.; Dhakal, A. Obfuscated Malware Detection: Investigating Real-world Scenarios through Memory Analysis. arXiv 2024, arXiv:2404.02372. [Google Scholar] [CrossRef]Hasan, S.M.R.; Dhakal, A. 模糊化恶意软件检测：通过内存分析研究真实场景。arXiv 2024, arXiv:2404.02372. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容