.png){kind=icon}
返回
GLAMP: Generative Learning for Adversarially-Robust Malware Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/TETC.2025.3583872.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的Generative Malware Defense策略。当一家杀毒公司检测到恶意软件样本$m$时，应采取以下步骤：(i) 生成一个由$m$的多个变体组成的集合${Var}(m)$，然后(ii) 在其常规训练集的基础上添加${Var}(m)$来训练恶意软件分类器。我们认为，这通过使分类器对攻击者未来开发的恶意软件更具鲁棒性，从而实现更主动的防御。我们将恶意软件生成问题形式化定义为一个非传统优化问题。我们新颖的GLAMP（Generative Learning for Adversarially-robust Malware Prediction）框架分析了恶意软件生成问题的复杂性，并包含了针对(i)的新型恶意软件变体生成算法，这些算法利用了复杂性分析的结果。我们的实验表明，GLAMP生成的样本中有足够大的比例能够规避商业杀毒软件和机器学习分类器，规避率分别高达83.81%和50.54%。GLAMP还提出了一种对抗训练模型。我们的实验表明，GLAMP生成的可运行恶意软件能够规避11个白盒分类器和4个商业（即黑盒）检测器。我们的实验表明，GLAMP的最佳对抗训练引擎根据所使用的测试集不同，将召回率提高了16.1%，F1分数提高了2.4%-5.4%。
Keyword:
Adversarial machine learning
malware
期刊
IF:
5.4
论文数:
1.1K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
Heterogeneous Graph Transformer for Advanced Persistent Threat Classification in Wireless Networks
PREAI
分享收藏
分享收藏
查看更多内容