.png){kind=icon}
返回
HyperMD: A Multi-Modal Malware Detection Method Using Performance Counters and Process Memory on Xen Platform
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3599311.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统恶意软件检测技术通常难以应对现代恶意软件采用的复杂混淆方法。为解决此挑战，本文提出HyperMD，一种基于Xen作为恶意软件分析平台的跨模态恶意软件检测方法。HyperMD通过在虚拟机（VM）中运行样本时，利用在Hypervisor层收集的时间序列Xen性能计数器数据来检测恶意软件。此外，它还集成了一个虚拟机外运行时进程内存转储模块，以捕获目标进程的内存。获取的内存快照随后通过SimHash转换为图像。最终，HyperMD融合时间序列数据和内存图像的特征，训练一个跨模态深度学习模型。我们使用从VirusTotal和VirusShare收集的数据集对HyperMD进行了评估，该数据集包含旨在规避检测或触发误报的复杂样本。HyperMD实现了97.53%的准确率，证明了其在检测Rootkit和进程注入恶意软件方面的有效性。由于利用了Hypervisor层特征，该方法有助于检测混淆型恶意软件。此外，HyperMD对五种不同恶意软件家族的分类准确率达到97.56%。HyperMD的性能还与其他先进的静态和动态检测方法进行了比较，进一步证明了其优势。同时，还对HyperMD的鲁棒性、弹性和可扩展性进行了评估。
Keyword:
Malware
Xen
out-of-VM
performance counters
process memory
multi-modal fusion
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
MeMalDet: A memory analysis-based malware detection framework using deep autoencoders and stacked ensemble under temporal evaluations.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Hierarchical Roofline Performance Analysis for Deep Learning Applications层次化Roofline性能分析用于深度学习应用
PREAI
分享收藏Evolving malware detection through instant dynamic graph inverse reinforcement learning通过即时动态图反向强化学习不断发展的恶意软件检测
PREAI
分享收藏Malware-on-the-Brain: Illuminating Malware Byte Codes With Images for Malware ClassificationMalware-on-the-Brain: 用图像照亮恶意软件字节码进行恶意软件分类
OAAI
OAAI分享收藏Multimodal-based abnormal behavior detection method in virtualization environmentCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Android malware detection method based on graph attention networks and deep fusion of multimodal features基于图关注网络和多模态特征深度融合的Android恶意软件检测方法
PREAI
分享收藏分享收藏
查看更多内容