.png){kind=icon}
返回
Few-shot learning for detecting malicious executables
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05910-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件复杂性的爆炸式增长，包括多样化且前所未见的变种的涌现，对传统的基于深度学习的恶意软件分类器构成了重大挑战，这些分类器通常需要大量重新训练才能保持有效性。为解决此局限性，我们提出了一种基于Siamese Contrastive Neural Network（SCNN）的新型少样本恶意软件分类框架，该框架结合了基于K-Means的支持集生成方法，用于选择代表性样本进行成对相似度学习。该方法能够对未见过的恶意软件样本进行稳健分类。我们探讨了固定和可变支持集策略，并使用t-SNE可视化来考察学习到的嵌入空间的判别结构。此外，我们还测试了模型对图像级和可执行文件级扰动的鲁棒性，实现了高检测率。在包括MalImg、BIG2015和自定义数据集在内的基准数据集上的实验结果表明，我们的框架实现了高F1分数，并对未见样本具有强泛化能力。这些发现强调了所提出方法的可扩展性和适应性，使其非常适合部署在动态演变的恶意软件检测环境中。
Keyword:
Few-shot learning
Malware visualization
Siamese neural network
Portable executable
Convolutional neural networks
Malware classification
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Image-Based malware classification using ensemble of CNN architectures (IMCEC).png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏FASNet: Federated adversarial Siamese networks for robust malware image classificationFASNet: 用于强大恶意软件图像分类的联合对抗Siamese网络
PREAI
分享收藏Detection of Exceptional Malware Variants Using Deep Boosted Feature Spaces and Machine Learning
OAAI
OAAI分享收藏MALGRA: Machine Learning and N-Gram Malware Feature Extraction and Detection SystemElectronics
OAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容