Machine Learning-Based Malware Detection on macOS

A. Löw

doi:10.1007/978-3-032-10759-6_19

2026-01-01

PRE

A. Löw *

Leonardo Aniello

DOI：10.1007/978-3-032-10759-6_19

原文链接

原文求助

摘要

En 中文

随着macOS设备采用率的增加，针对该平台的恶意软件数量也随之上升，而当前macOS恶意软件检测的研究进展与Windows相比仍显有限。本研究旨在利用监督机器学习技术提升macOS恶意软件检测能力。与以往研究不同，本研究整合了多种特征选择方法，应用嵌套交叉验证，并引入了一种新颖的基于结构化特征的RGB图像转换方法，结合CycleGAN生成的数据用于卷积神经网络（CNN）训练。研究中使用了CyberScienceLab的macOS恶意软件数据集，通过全面的数据预处理、特征选择以及SMOTE平衡，训练了五种监督机器学习模型：支持向量机（SVM）、决策树、朴素贝叶斯、随机森林和逻辑回归。每个模型均经过嵌套交叉验证和超参数调优以确保稳健评估。在CNN训练中，通过转换结构化静态特征向量生成RGB图像，并利用CycleGAN生成合成图像数据以解决数据集规模较小的问题。结果表明，所有监督学习模型均优于以往使用相同数据集的研究，其中SVM达到最高98.88%的准确率，CNN达到96.21%。这些发现表明，在结构化数据场景下，一个设计良好的机器学习工作流可以优于基于CNN的模型，尽管深度学习仍是一种有竞争力的方法。未来工作将专注于通过纳入更多近期恶意软件样本扩展数据集，并探索替代生成方法以进一步提升性能。

Keyword:

Malware Detection

macOS

Machine Learning

Deep Learning