.png){kind=icon}
返回
Toward Reliable Malicious JavaScript Detection in Obfuscated Code
.png){kind=icon}
PRE
AI
DOI：10.1109/tifs.2026.3714264.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
JavaScript是网页应用程序的主要编程语言。随着网页应用程序安全需求的增加，越来越多的应用程序使用代码混淆方法来保护代码安全。近年来，提出了许多基于静态分析的恶意JavaScript检测方法，在目标数据集上取得了相当高的准确率。然而，它们在混淆代码上的性能仍存疑。不幸的是，现有的恶意JavaScript检测方法主要讨论了在混淆恶意代码条件下的方法有效性，未考虑其他情况，如混淆的良性代码以及代码混淆方法的选择。在本文中，我们首先对代码混淆对恶意代码检测方法的影响进行了系统讨论，发现现有方法无法抵抗中等强度混淆。同时，我们提出了一种基于数据流特征的恶意JavaScript代码检测方法SeGra，该方法结合随机游走方法解决了混淆代码尺寸大和语义碎片化的问题。SeGra将具有高表示开销的图结构信息转换为序列信息，同时保留拓扑关系。我们在不同混淆强度和已知条件下评估了该方法的表现。实验结果表明，在中/低混淆强度代码中，SeGra显著优于主流方法，分别达到99.5%和70.4%的准确率，较主流方法平均提升12.4%和16.2%。此外，通过从低强度混淆代码中学习特征，可以进一步提升方法性能，在高度混淆代码中达到67.1%的准确率，较主流方法在相同条件下平均提升13.2%。
Keyword:
Malicious code detection
deep learning
static analysis
code obfuscation
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
分享收藏GSEDroid: GNN-based Android malware detection framework using lightweight semantic embeddingGSEDroid: 基于GNN的Android恶意软件检测框架，使用轻量级语义嵌入.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏
分享收藏分享收藏Learning programs from noisy dataProceedings of the 43rd Annual ACM SIGPLAN-SIGACT Symposium on Principles of Programming Languages
Proceedings of the 43rd Annual ACM SIGPLAN-SIGACT Symposium on Principles of Programming LanguagesIF0
PREAI
分享收藏Jack-in-the-box: An Empirical Study of JavaScript Bundling on the Web and its Security Implications
PREAI
分享收藏
查看更多内容