.png){kind=icon}
返回
MALITE: Lightweight Malware Detection and Classification for Constrained Devices
.png){kind=icon}
OA
AI
DOI：10.1109/TETC.2025.3566370.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
如今，恶意软件是组织面临的主要网络威胁之一，它渗透到所有类型的计算设备中，包括资源受限的设备（如手机、平板电脑）和物联网（IoT）设备等嵌入式设备。近年来，研究人员已利用基于机器学习的策略进行恶意软件检测和分类。然而，恶意软件分析方法只有在方法本身轻量化的前提下，才能在资源受限的环境中应用。在本文中，我们提出MALITE，一种轻量级恶意软件分析系统，能够区分良性二进制文件和恶意二进制文件，并对各种恶意软件家族进行分类。MALITE将二进制文件转换为灰度或RGB图像，所需内存和电池功耗较低，并采用计算成本低的恶意软件分析策略。我们设计了MALITE-MN，一种基于轻量级神经网络的架构，以及MALITE-HRF，一种超轻量级的基于随机森林的方法，该方法使用滑动窗口提取的直方图特征。我们在七个公开可用的数据集（Malimg、Microsoft BIG、Dumpware10、MOTIF、Drebin、CICAndMal2017和MalNet）上进行了广泛的实证评估，并将性能与四种当前最佳基线方法进行比较。结果表明，MALITE-MN和MALITE-HRF不仅能准确识别和分类恶意软件，而且在内存和计算能力方面分别消耗的资源数量级更低，使它们更适合资源受限的环境。
Keyword:
Malware detection
malware classification
lightweight
constrained environment
期刊
IF:
5.4
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Analyzing Image Based Strategies for Android Malware Detection and Classification: An Empirical Exploration基于图像的策略在Android恶意软件检测和分类中的应用分析：一项实证研究
PREAI
分享收藏
Image-Based malware classification using ensemble of CNN architectures (IMCEC).png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Vision-Based Malware Detection: A Transfer Learning Approach Using Optimal ECOC-SVM ConfigurationIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏S3Feature: A static sensitive subgraph-based feature for android malware detectionS3Feature: 基于静态敏感子图的android恶意软件检测功能COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容