.png){kind=icon}
返回
One step forward, two steps back: ML-based malware detection under concept drift
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-025-01543-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件作者与检测框架之间的军备竞赛，以持续的恶意软件变异和相应的模型再训练工作为特征。随着每天报告的新样本超过150万例（VirusTotal Statistics, 2025 https://www.virustotal.com/en/statistics/），再训练已成为应对不断演变威胁的事实标准响应。在本文中，我们通过揭示关键局限性，质疑了这种方法的有效性：尽管再训练仅在检测恶意样本方面带来微小的改进，但它往往会降低良性样本的性能。为解决这些挑战，我们评估了多种再训练策略，这些策略能够在追踪变异模式的同时实现对新兴恶意软件家族的及时检测。我们的分析表明，再训练可能无意中帮助了对手，因为它允许对手重复使用旧的恶意软件样本，而这些样本通常被在线检测器丢弃。此外，我们还发现了在线检测引擎之间存在的标签不一致问题——例如家族重命名——这些问题掩盖了共享的恶意能力，并削弱了基于家族的检测工作。
Keyword:
Adversarial machine learning
Robust malware detection
Model drift
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
.png){kind=icon}
分享收藏Explaining anomalies detected by autoencoders using Shapley Additive Explanations使用Shapley加法解释解释自动编码器检测到的异常
PREAI
分享收藏分享收藏
分享收藏分享收藏分享收藏
查看更多内容