Malware Classification Using Kolmogorov-Arnold Network

doi:10.1007/978-981-96-6351-4_12

2026-01-01

PRE

Chandra Mohan Bhuma *

DOI：10.1007/978-981-96-6351-4_12

原文链接

原文求助

摘要

En 中文

互联网和物联网的广泛使用已成为日常生活的常态。技术进步和移动设备在多样化领域的应用占据主导地位。当数据在互联网上共享时，数据安全是一项具有挑战性的任务。黑客不断提出新的威胁并引入新的恶意软件以窃取数据、密码和关键信息。在此背景下，恶意软件的识别至关重要。将可移植可执行文件转换为图像，并应用机器学习和深度学习技术对恶意软件类型进行分类，正日益受到研究界的关注。卷积神经网络在近年得到广泛应用。但它们在捕捉图像中的复杂模式方面存在不足。科尔莫戈罗夫-阿尔诺德网络被引入作为卷积神经网络的替代方案，因为它们能够以更具判别性的方式表示图像。本研究提出了一种基于科尔莫戈罗夫-阿尔诺德网络的恶意软件图像分类算法。在三个恶意软件数据集（即MaleVis、Malimg和Microsoft Big 2015）上进行了广泛的仿真。科尔莫戈罗夫-阿尔诺德网络在三个数据集上均取得了有前景的结果。通过适当的交叉验证策略验证了所提出的算法，并将结果与相似数据集上的最新研究进行了比较。此外，还构建了一个包含所有三个数据集（共60类）的联合数据集。由于所有数据集均为不平衡数据集，因此使用了适当的非平衡指标，即平衡准确率指数和几何平均数。在Malimg、MaleVis、Microsoft Big 2015和联合数据集上分别获得了98.90%、90.4%、94.06%和90.1%的平衡准确率指数。

Keyword:

Malware datasets

Malevis

Malimg

Microsoft big2015

Kolmogorov-Arnold network