.png){kind=icon}
返回
SHIELD: Semantic-guided graph contrastive learning for malware detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件的爆炸性增长使得开发稳健的检测方法成为必要。图对比学习（GCL）已作为一种强大方法，用于分析恶意软件行为中固有的复杂关系结构。然而，现有的基于GCL的恶意软件检测方法面临两个关键局限性：增强图的语义漂移和尾图的语义稀疏性。为应对这些挑战，提出了一种用于恶意软件检测的语义引导图对比学习（SHIELD）方法。在特征空间中计算语义原型以在图增强过程中保持语义，同时采用知识迁移来增强尾图的语义表示，使其特征在特征空间中与头图对齐。实验结果表明，SHIELD在检测精度、时间效率和鲁棒性方面均优于基线方法。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Triplet-trained graph transformer with control flow graph for few-shot malware classification基于控制流图的 triplet 训练图Transformer的少样本恶意软件分类
OAAI
.png){kind=icon}
OAAI分享收藏
Opcode sequences as representation of executables for data-mining-based unknown malware detection
PREAI
分享收藏MalGNE: Enhancing the Performance and Efficiency of CFG-Based Malware Detector by Graph Node Embedding in Low Dimension SpaceMalGNE: 通过低维空间中的图节点嵌入提高基于CFG的恶意软件检测器的性能和效率
PREAI
分享收藏
查看更多内容