.png){kind=icon}
返回
Semantic-aware framework for zero-shot malware classification via attention-based relation network
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3408.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络在识别已知恶意软件方面已被证明有效；然而，在检测它们未曾遇到的新型恶意软件时面临挑战。这一问题的根源在于它们依赖标注数据进行训练，而新出现的或罕见的恶意软件类型往往缺乏足够的标注数据。因此，创建能够检测所有可能形式的恶意软件的模型变得不切实际。识别此前未见过的恶意软件至关重要，这需要采用创新方法，如零样本学习（ZSL）。ZSL涉及对训练过程中未出现的类别进行分类。为解决此问题，我们提出了一种名为语义感知的多级注意力关系网络（SMART）的新技术，用于零样本恶意软件检测。SMART整合了关系注意力（RwA）和成对语义注意力（PwA）机制以提高检测精度。PwA组件旨在捕捉输入元素对之间的关系，而RwA机制在更高层面运作，分析多个元素之间的交互。我们的方法通过显著减少误报，实现了95%的显著准确率，超越了先前的方法。
Keyword:
Malware
Zero shot learning
Attention
Relation network
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
Malware-SMELL: A zero-shot learning strategy for detecting zero-day vulnerabilities.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏A survey of the vision transformers and their CNN-transformer based variants视觉变压器及其基于CNN变压器的变体的调查
PREAI
分享收藏分享收藏A comprehensive survey on deep learning based malware detection techniques基于深度学习的恶意软件检测技术综述COMPUTER SCIENCE REVIEW
OAAI
COMPUTER SCIENCE REVIEWIF12.7
OAAI分享收藏Design and Performance Analysis of an Anti-Malware System Based on Generative Adversarial Network Framework基于生成对抗网络框架的防恶意软件系统设计与性能分析IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏MFEMDroid: A Novel Malware Detection Framework Using Combined Multitype Features and Ensemble ModelingMFEMDroid：一种基于组合多类型特征和集成建模的新型恶意软件检测框架
PREAI
分享收藏Comparative analysis of imbalanced malware byteplot image classification using transfer learning基于迁移学习的非均衡恶意软件字节图图像分类的对比分析
IF0
PREAI
分享收藏
查看更多内容