SHAP-guided feature refinement for efficient, robust, and interpretable memory-forensic malware detection

Isaac Kofi Nti

doi:10.1186/s13635-026-00241-x

SHAP-guided feature refinement for efficient, robust, and interpretable memory-forensic malware detection

2026-08-03

0

OA

AI

DOI：10.1186/s13635-026-00241-x

原文链接

查看原文

摘要

En 中文

恶意软件的持续演进对现有检测方法构成挑战，特别是基于静态分析和基于签名的启发式方法。本文研究了一种基于内存取证驱动的恶意软件检测方法，包括特征优化、模型可解释性、效率分析、对抗鲁棒性测试以及家族无关验证。使用CIC MalMem-2022数据集，我们考察了55个内存驻留特征，并通过互信息和SHapley加性解释引导的特征优化（SHAP-GFR）将其缩减为13个。我们测试了五种分类器：随机森林（RF）、XGBoost、极端梯度提升（XGBoost）、多层感知器（MLP）、一维卷积神经网络（1D CNN）以及CNN-LSTM混合模型，采用70%训练、15%验证和15%测试的划分。在干净独立同分布（IID）数据上，RF获得最高的F1分数0.9999，而XGBoost的F1分数为0.9997，同时具有最低的中位每样本推理延迟0.0054毫秒和最小的模型大小0.312 MB。通过SHAP和局部可解释模型无关解释（LIME），我们发现服务和句柄相关内存特征对模型决策影响最大，其次是模块加载和注入相关特征。我们使用高斯噪声、快速梯度符号法（FGSM）、动量迭代快速梯度符号法（MI-FGSM）、投影梯度下降（PGD）和代理迁移攻击进行的鲁棒性测试表明，模型的抗性受架构和攻击类型共同影响。我们发现CNN-LSTM和1D CNN在直接梯度扰动下更鲁棒，而树集成模型更易受高斯和迁移扰动的攻击。解析家族留一外验证（LOFO）显示RF和XGBoost在跨家族泛化上表现显著，F1分数均值分别为0.9988和0.9987，但大型家族仍是最具挑战性的。这些结果表明，仅关注干净数据准确率是不完整的：在IID数据上表现良好的模型可能在延迟、可解释性、鲁棒性和对未知家族的行为上存在显著差异。

Keyword:

Memory forensics

Obfuscated malware detection

CIC MalMem-2022

Explainable AI

SHAP-guided feature refinement

Adversarial machine learning

Family-disjoint validation

SHAP-guided feature refinement for efficient, robust, and interpretable memory-forensic malware detection

摘要

AI总结

期刊

机构

引用论文