.png){kind=icon}
返回
Static and Dynamic Malware Analysis Using CycleGAN Data Augmentation and Deep Learning Techniques
.png){kind=icon}
OA
AI
DOI：10.3390/app15179830.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件的日益复杂化以及使用混淆等规避技术，对传统检测方法构成了重大挑战。本文提出了一种深度卷积神经网络（CNN）框架，通过集成静态和动态分析，利用RGB图像表示进行恶意软件分类。二进制文件和内存转储文件被转换为图像，以捕捉在原始格式中常被忽略的结构和行为模式。所提出的系统包含两个定制的CNN架构：一个包含四个卷积块的静态模型，专为二进制衍生图像设计；以及一个包含三个卷积块、针对嘈杂数据进行优化的动态模型。为增强泛化能力，我们采用了循环一致性生成对抗网络（CycleGANs）进行跨域图像增强，将数据集扩展至超过74,000张来自基准库（MaleVis和Dumpware10）的RGB图像。静态模型实现了99.45%的准确率和完美的召回率，表现出高灵敏度且误报率极低。动态模型达到了99.21%的准确率。实验结果表明，融合方法通过从结构和运行时角度学习判别性视觉模式，有效检测恶意软件变体。本研究为恶意软件分类提供了一个可扩展且稳健的解决方案，而非单一方法。
Keyword:
malware analysis
CycleGAN
data augmentation
static analysis
dynamic analysis
RGB image representation
memory dump analysis
deep learning
期刊
A
IF:
2.5
论文数:
1.9K
被引数:
15.9W
机构
暂无机构信息
引用论文
On the Economic Impact of Crypto-ransomware Attacks: The State of the Art on Enterprise Systems
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏Technological and Human Factors of Malware Attacks: A Computer Security Clinical Trial Approach
PREAI
分享收藏
分享收藏
查看更多内容