Memory-resident malware detection using explainable AI and adaptive compression

Qussai Yaseen

doi:10.1016/j.array.2026.101101

Memory-resident malware detection using explainable AI and adaptive compression

2026-08-01

0

PRE

AI

DOI：10.1016/j.array.2026.101101

原文链接

原文求助

摘要

En 中文

内存驻留恶意软件在易失性内存中的执行构成了主要的网络安全问题，因为它无需磁盘活动，使得静态或动态分析方法无法检测。解决此问题需要将内存转储数据转换为图像格式，以便深度学习模型能检测结构模式和空间关系。这类模型虽取得成功结果，但其运行需大量计算资源。此外，它们作为黑盒系统运行，其预测可靠性和决策过程的理解存疑。本文提出了一种高效的恶意软件检测系统，采用Grad-CAM可视化、边缘检测方法和自适应压缩，在提高性能的同时提供清晰解释并保持高精度识别恶意软件家族。所提方法采用微调的MobileNetV2生成Grad-CAM热力图以增强分类任务。Canny边缘掩码和Grad-CAM显著性掩码通过按位或操作结合，JPEG2000在关键区域质量设为95、非关键区域质量70，实现9.73:1的压缩比。实验结果表明，自适应压缩方法与原始未压缩基线（F1分数96.4%）精度相当，同时将推理时间减少38%（16.02 ms vs. 26.05 ms/图像）和每轮训练时间减少39%（192 s vs. 317 s）。此外，边缘检测引导压缩达到96% F1分数。仅Grad-CAM压缩（37:1压缩比，掩码覆盖率15%）将F1降至88%，表明结合边缘和显著性掩码的重要性。统一压缩消融基线（质量=94，相同比特率）实现相同精度（96.4%），表明引导压缩的主要优势在于计算效率而非精度提升。所提方法在实现有竞争力的检测和分类性能的同时，使深度学习安全系统更具可解释性和高效性。

Keyword:

Deep learning

GradCam

MobileNetV2

Adaptive compression

RMDNet

Explainable techniques

Edge detection

Malware detection

Memory-resident malware detection using explainable AI and adaptive compression

摘要

期刊

机构

引用论文