.png){kind=icon}
返回
Federated multimodal malware classification under non-IID data
.png){kind=icon}
OA
AI
DOI：10.1186/s42400-026-00630-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现实世界网络安全应用中的恶意软件数据通常分布在不同组织之间，隐私、安全和合规性限制阻止这些数据被共享至中央服务器。不同组织观察到的恶意软件分布也高度非独立同分布（non-IID），这限制了集中式训练和传统联邦学习（FL）。大多数现有的联邦恶意软件分类器进一步依赖单一模态，导致在非IID客户端分布下多模态特征互补性未被充分评估。为解决这些问题，针对非IID场景提出了一种联邦多模态恶意软件分类框架。每个客户端将恶意软件样本编码为两种互补的静态视图，即三通道图像和固定长度标记序列。双向交叉注意力模块结合自适应残差融合，使两种模态相互校准，同时引入有界残差视觉路径以减少对不稳定注意力增强特征的敏感性。为缓解客户端异质性，采用FedBN使批归一化统计量保持本地化，仅聚合剩余参数。在Microsoft BIG 2015数据集上的实验表明，所提出的方法优于单模态基线，在IID和非IID分区下与强大的多模态融合方法保持竞争力，并在高度倾斜的标签分布下更稳定地收敛。安全导向评估进一步显示，该框架在目标标签翻转攻击下保持有用鲁棒性，且坐标 wise 中位数聚合可进一步提高韧性。
Keyword:
Malware family classification
Federated cybersecurity
Multimodal learning
Cross-attention
FedBN
Non-IID data
Poisoning attack robustness
期刊
C
IF:
3.7
论文数:
585
被引数:
1.0K
机构
引用论文
Enhancing Android malware detection via knowledge distillation on homogenized function call graphs
PREAI
分享收藏Two-stage ransomware detection using dynamic analysis and machine learning techniques基于动态分析和机器学习技术的两阶段勒索软件检测.png)
IF0
PREAI
分享收藏A new malware detection system using machine learning techniques for api call sequences基于机器学习技术的API调用序列的恶意软件检测系统
IF0
PREAI
分享收藏CDDFuse: Correlation-Driven Dual-Branch Feature Decomposition for Multi-Modality Image FusionCDDFuse: 相关驱动的双分支特征分解在多模态图像融合中的应用OAAI
OAAI分享收藏FedHGCDroid: An Adaptive Multi-Dimensional Federated Learning for Privacy-Preserving Android Malware ClassificationFedHGCDroid: 一种自适应的多维联邦学习，用于隐私保护的Android恶意软件分类EntropyOAAI
EntropyIF0
OAAI分享收藏FEDetect: A Federated Learning-Based Malware Detection and Classification Using Deep Neural Network AlgorithmsFEDetect：基于联邦学习的恶意软件检测与分类系统，采用深度神经网络算法OAAI
OAAI分享收藏
查看更多内容