Machine Learning-Based Static Ransomware Detection Using PE Header Features and SHAP Interpretation

doi:10.3390/jcp6020058

Machine Learning-Based Static Ransomware Detection Using PE Header Features and SHAP Interpretation

2026-04-01

0

PRE

AI

DOI：10.3390/jcp6020058

原文链接

原文求助

摘要

En 中文

网络犯罪分子利用先进技术对组织发起攻击，导致正常业务活动中断。传统的基于签名的恶意软件检测方法在勒索软件检测方面效果不佳。因此，利用机器学习和深度学习进行恶意软件检测正成为研究的主要领域。恶意软件检测策略主要有两种类型，即静态和动态。本研究通过系统评估三个难度递增的二分类问题（勒索软件与良性软件、恶意软件与良性软件、勒索软件与其他恶意软件家族），探讨了基于静态PE头部的检测在任务上的有效性。实现了一个端到端的机器学习流水线，包括数据集特定的预处理、类别不平衡处理、模型训练以及使用不平衡感知指标进行评估。在所有任务中评估了随机森林、支持向量机和XGBoost模型，并使用SHAP分析特征贡献和解释性能下降。实验结果表明，当类别边界在结构上明显区分时，基于树的集成模型（尤其是XGBoost）能实现较强的检测性能，但在勒索软件需要与结构相似的恶意软件区分时表现不佳。结果表明，基于PE头部特征的静态分析可以是一种可行的预执行分类方法，但在精细的勒索软件区分方面存在明显局限性。

Keyword:

static malware analysis

ransomware detection

machine learning

PE header features

cybersecurity

Machine Learning-Based Static Ransomware Detection Using PE Header Features and SHAP Interpretation

摘要

期刊

机构

引用论文