.png){kind=icon}
返回
Mitigating Metamorphic Malware Through Adversarial Learning Techniques
.png){kind=icon}
PRE
AI
DOI：10.3390/network6020022.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
杀毒软件（AV）解决方案仍然是防御恶意软件的核心机制。然而，许多此类引擎难以检测变形恶意软件，因为其内部形式会以不可预测的方式持续变化。为解决此局限性，我们提出了一种对抗性导向的方法，该方法自动生成现有恶意软件的新型变种，这些变种能避开大部分AV系统的检测，从而为加强防御技术提供材料。在本工作中，采用进化算法（EA）来进化无法检测的变种，并依据三个适应度标准进行引导：生成样本的规避性及其与原始恶意软件的行为和结构相似性。所提出的方法在三个恶意软件家族中进行了评估，以评价EA生成的变种的效力。结果表明，EA能产生多样化的突变变种，对于给定恶意软件家族，可避开高达94%的AV检测器，显著超过原始恶意软件的规避率。此外，我们评估了EA产生的突变体是否能够增强机器学习模型的训练。在此背景下，在一个迁移学习框架中采用了一个预训练的自然语言处理（NLP）转换器，以改进变形恶意软件的分类。当将进化变种纳入训练数据时，该方法实现了高达93%的分类准确率。这些结果突显了使用多样化的EA生成样本来加强恶意软件分类器的价值，从而提高安全系统对不断演变的威胁的鲁棒性。
Keyword:
metamorphic malware
antivirus engines
machine learning
adversarial learning
evolutionary algorithm
期刊
N
IF:
3.1
论文数:
52
被引数:
243
机构
引用论文
AndyWar: an intelligent android malware detection using machine learningAndyWar: 一种基于机器学习的智能安卓恶意软件检测方法
PREAI
分享收藏A comparison of tournament and lexicase selection paradigms in regression problems: error-based fitness versus correlation fitness回归问题中锦标赛选择范式与词典选择范式的比较：基于误差的适应度与基于相关性的适应度
PREAI
分享收藏Adversarial Learning in Real-World Fraud Detection: Challenges and Perspectives现实世界欺诈检测中的对抗学习：挑战与展望
OAAI
OAAI分享收藏Enhancing malware detection with feature selection and scaling techniques using machine learning models使用机器学习模型通过特征选择和缩放技术增强恶意软件检测.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Improving Classification of Metamorphic Malware by Augmenting Training Data with a Diverse Set of Evolved Mutant Samples通过添加一组多样化的进化突变样本增强训练数据来改进变形恶意软件的分类
PREAI
分享收藏
查看更多内容