检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于集成学习技术的恶意软件检测方法

信息安全学报 2024年第1期9卷 137-155页

作者：李芳朱子元闫超孟丹中国科学院信息工程研究所北京100093 中国科学院大学网络空间安全学院北京100049

近年来,低级别微结构特征已被广泛应用于恶意软件检测。但是,微结构特征数据通常包含大量的冗余信息,且目前的检测方法并没有对输入微结构数据进行有效地预处理,这就造成恶意软件检测需要依赖于复杂的深度学习模型才能获得较高的检测性... 详细信息

近年来,低级别微结构特征已被广泛应用于恶意软件检测。但是,微结构特征数据通常包含大量的冗余信息,且目前的检测方法并没有对输入微结构数据进行有效地预处理,这就造成恶意软件检测需要依赖于复杂的深度学习模型才能获得较高的检测性能。然而,深度学习检测模型参数量较大,难以在计算机底层得到实际应用。为了解决上述问题,本文提出了一种新颖的动态分析方法来检测恶意软件。首先,该方法创建了一个自动微结构特征收集系统,并从收集的通用寄存器(General-Purpose Registers,GPRs)数据中随机抽取子样本作为分类特征矩阵。相比于其他微结构特征,GPRs特征具有更丰富的行为特征信息,但也包含更多的噪声信息。因此,需要对GPRs数据进行特征区间分割,以降低数据复杂度并抑制噪声。本文随后采用词频-逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)技术从抽取的特征矩阵中选择最具区分性的信息来进行恶意软件检测。TF-IDF技术可以有效降低特征矩阵的维度,从而提高检测效率。为了降低模型复杂度,并保证检测方法的性能,本文利用集成学习模型来识别恶意软件。实验表明,该集成学习模型具有99.3%的检测准确率,3.7%的误报率,优于其他现有方法且模型复杂度低。此外,该方法还可以用于检测真实数据中的恶意行为。

关键词：恶意软件检测通用寄存器集成学习词频-逆文档频率

基于API聚类和调用图优化的安卓恶意软件检测

在线全文

学校读者我要写书评

暂无评论

软件学报 2024年

作者：杨宏宇汪有为张良胡泽姜来为成翔中国民航大学安全科学与工程学院中国民航大学计算机科学与技术学院 School of Information The University of Arizona 扬州大学信息工程学院

安卓操作系统和恶意软件的持续进化导致现有检测方法的性能随时间大幅下降.提出一种基于API聚类和调用图优化的安卓恶意软件检测方法 DroidSA (droid slow aging).首先,在恶意软件检测之前进行API聚类,生成代表API功能的聚类中心.通过设... 详细信息

安卓操作系统和恶意软件的持续进化导致现有检测方法的性能随时间大幅下降.提出一种基于API聚类和调用图优化的安卓恶意软件检测方法 DroidSA (droid slow aging).首先,在恶意软件检测之前进行API聚类,生成代表API功能的聚类中心.通过设计API句子概括API的名称、权限等重要特征并使用自然语言处理工具对API句子的语义信息进行挖掘,获得更全面反映API语义相似性的嵌入向量,使聚类结果更为准确.然后,为了确保提取到更能准确反映软件行为逻辑的API上下文信息,采用调用图优化方法对从待检测软件中提取的函数调用图进行优化并得到优化后的调用图,在删除图中难以识别的未知方法的同时保留API节点之间的连接性.为了提高对安卓框架和恶意软件变化的适应性, DroidSA从优化后的调用图中提取函数调用对,将调用对中的API抽象为API聚类时获得的聚类中心.最后,使用独热编码生成特征向量,并从随机森林、支持向量机和K近邻算法中选择表现最好的分类器进行恶意软件检测.实验结果表明, DroidSA的恶意软件检测平均F1值为96.7%;在消除时间偏差的实验设置下,经2012–2013年的软件样本集合训练后, DroidSA对2014–2018年的恶意软件样本的检测平均F1值达到82.6%.与经典检测方法 MaMaDroid和MalScan等相比, DroidSA始终能将各项检测指标稳定地维持在高水平且受到时间变化的影响较小,能有效检测进化后的恶意软件.

关键词：恶意软件检测 API语义模型老化函数调用图机器学习

基于注意力与门控机制的多特征融合恶意软件检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

网络与信息安全学报 2024年第1期10卷 123-135页

作者：陈仲元张建标北京工业大学信息学部计算机学院北京100124

随着网络技术的飞速发展,恶意软件及其变种的数量不断增加,这使得恶意软件的检测成为网络安全领域面临的一大挑战。然而,现有的单一特征恶意软件检测方法在样本信息的表示上存在不足,而对于采用多特征的检测方法,它们在特征融合方面存... 详细信息

随着网络技术的飞速发展,恶意软件及其变种的数量不断增加,这使得恶意软件的检测成为网络安全领域面临的一大挑战。然而,现有的单一特征恶意软件检测方法在样本信息的表示上存在不足,而对于采用多特征的检测方法,它们在特征融合方面存在局限,未能有效地学习和理解特征内部及特征间的复杂关联,这些问题都会导致检测效果不佳。提出了一种基于多模态特征融合的恶意软件检测方法——MFAGM。通过处理数据集的.asm和.bytes文件,成功提取了两种类型的3种关键特征(操作码统计序列、API序列和灰度图像特征),实现了从多个角度全面地表征样本信息。为了更好地融合这些多模态特征,设计了一个特征融合模块SA-JGmu。该模块不仅采用自注意力机制捕获特征之间的内部依赖关系,还利用门控机制增强了不同特征的交互性,并巧妙地引入了权重跳跃连接以进一步优化模型的表示能力。最终,基于MMCC(Microsoft malware classification challenge)数据集的实验结果显示,MFAGM在恶意软件检测任务上与其他方法相比,达到了更高的准确率和F1分数。

关键词：恶意软件检测深度学习特征融合多模态学习静态分析

融合多样频度与分布差异的Android恶意软件检测

在线全文

学校读者我要写书评

暂无评论

计算机工程与设计 2024年第2期45卷 390-395页

作者：赵旭康刘晓锋徐洁西华师范大学计算机学院四川南充637009 西华师范大学电子信息工程学院四川南充637009

为解决Android恶意软件检测中特征数量多且检测精度不足的问题,提出一种特征重要性的评分算法。改进词频与逆文本频率指数中对常见特征权重下降的不足,将权限、意图和接口3种类型的静态特征在良性与恶意数据集中表现出的多样频度与分布... 详细信息

为解决Android恶意软件检测中特征数量多且检测精度不足的问题,提出一种特征重要性的评分算法。改进词频与逆文本频率指数中对常见特征权重下降的不足,将权限、意图和接口3种类型的静态特征在良性与恶意数据集中表现出的多样频度与分布差异相结合,根据得出的评分大小依次排名,筛选出更有区分度的关键特征。实验结果表明,将该方法筛选出的前150个关键特征与随机森林模型结合,达到的98.82%准确率优于同等条件下的其它算法,满足实际运用的需求。

关键词：特征重要性评分特征选择机器学习恶意软件检测静态分析随机森林移动安全

在线全文

学校读者我要写书评

暂无评论

基于API序列和预训练模型的恶意软件检测

计算机工程与设计 2024年第4期45卷 974-981页

作者：窦建民师智斌于孟洋霍帅张舒娟中北大学计算机科学与技术学院山西太原030051

针对现有方法存在特征表达受限、无法捕获API序列全局语义信息,且恶意软件数据集通常包含大量无标注数据,无法直接进行有监督学习等问题,利用自然语言预训练模型技术,提出一种基于API调用序列和预训练模型的恶意软件检测方法。使用原始... 详细信息

针对现有方法存在特征表达受限、无法捕获API序列全局语义信息,且恶意软件数据集通常包含大量无标注数据,无法直接进行有监督学习等问题,利用自然语言预训练模型技术,提出一种基于API调用序列和预训练模型的恶意软件检测方法。使用原始API序列构建分词器;基于BERT模型构建出动态掩码序列模型进行无监督学习的预训练,同时获取API序列的全局动态编码表示;使用该编码构造检测模型。实验结果表明,所提方法能有效检测出恶意软件。

关键词：恶意软件检测预训练模型无监督学习动态掩码软件调用序列模型微调编码表示

基于GCN和BiLSTM的Android恶意软件检测方法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2024年第4期51卷 388-395页

作者：贺娇君蔡满春芦天亮中国人民公安大学信息网络安全学院北京100038

现有Android恶意软件检测方法大多是对单一结构类型的特征进行学习,在分析应用程序语义方面有所缺失。针对传统检测方法捕获特征语义不够全面的问题,文中创新性地提出了一种基于GCN和BiLSTM的Android恶意软件检测模型,在精准提取样本结... 详细信息

现有Android恶意软件检测方法大多是对单一结构类型的特征进行学习,在分析应用程序语义方面有所缺失。针对传统检测方法捕获特征语义不够全面的问题,文中创新性地提出了一种基于GCN和BiLSTM的Android恶意软件检测模型,在精准提取样本结构信息的同时对恶意行为语义进行重点分析。首先以图的方式表征26类关键系统调用间的拓扑关系,使用双层GCN网络聚合系统调用图中节点的高阶结构信息,有效提高特征学习效率;然后利用带有自注意力机制的BiLSTM网络获取操作码序列的上下文语义,通过为具有恶意特征的序列赋予高权重得到特征内部的强相关性;最后使用Softmax输出融合结构信息和上下文特征的样本分类概率。在基于Drebin和AndroZoo数据集的实验中,所提模型准确率达到了93.95%,F1值达到了97.09%,相较于基准算法有显著提高,充分证明了基于GCN和BiLSTM的模型能有效提升Android恶意软件的检测效果。

关键词： Android 恶意软件检测 GCN BiLSTM

基于虚拟机自省的Linux恶意软件检测方案

在线全文

学校读者我要写书评

暂无评论

信息网络安全 2024年第5期24卷 657-666页

作者：文伟平张世琛王晗时林北京大学软件与微电子学院北京100871

随着物联网和云计算技术的快速发展,Linux恶意软件的数量和种类急剧增加,因此如何有效检测Linux恶意软件成为安全领域的重要研究方向之一。为了解决这一问题,文章提出一种基于虚拟机自省的Linux恶意软件检测方案。该方案利用虚拟机自省... 详细信息

随着物联网和云计算技术的快速发展,Linux恶意软件的数量和种类急剧增加,因此如何有效检测Linux恶意软件成为安全领域的重要研究方向之一。为了解决这一问题,文章提出一种基于虚拟机自省的Linux恶意软件检测方案。该方案利用虚拟机自省技术在沙箱外部安全获取内部运行状态,在实现全方位监控的同时,规避了恶意软件的反动态分析问题。与其他沙箱监控方案相比,文章所提方案增加了恶意软件在沙箱中的恶意行为表现的数量。针对特征之间的时序性,采用时序处理模型对沙箱获取的特征信息进行建模和训练,旨在判断Linux应用是否属于恶意软件。文章使用了3种神经网络,包括循环神经网络、长短期记忆网络和门控循环单元网络。实验结果表明,长短期记忆网络在该应用场景下检测效果更好,准确率达98.02%,同时具有较高的召回率,将虚拟机自省技术与神经网络模型结合应用于恶意软件检测,既能在虚拟机外部监控虚拟机内部,又考虑特征之间的时序性。

关键词：恶意软件检测虚拟机自省深度神经网络 Linux沙箱

针对恶意软件检测的特征选择与SVM协同优化

在线全文

学校读者我要写书评

暂无评论

计算机工程与设计 2024年第2期45卷 467-476页

作者：张新英李彬吴媛媛郑州经贸学院智慧制造学院河南郑州451191 中原工学院机电学院河南郑州451191

提出一种基于改进哈里斯鹰优化SVM和特征选择的恶意软件检测模型。为改进特征子集选取和SVM分类准确率,引入混沌映射、能量因子调节、最优解变异扰动和互利共生对HHO算法的初始种群结构、全局搜索与局部开采切换性能及跳离局部最优能力... 详细信息

提出一种基于改进哈里斯鹰优化SVM和特征选择的恶意软件检测模型。为改进特征子集选取和SVM分类准确率,引入混沌映射、能量因子调节、最优解变异扰动和互利共生对HHO算法的初始种群结构、全局搜索与局部开采切换性能及跳离局部最优能力进行改进;利用改进算法优化SVM参数和特征子集选取,构建恶意软件检测模型。实验结果表明,改进算法在降低特征维度的同时可以有效提升分类准确率,利用高质量特征子集提升恶意软件检测模型的分类能力。

关键词：哈里斯鹰算法支持向量机特征选择恶意软件检测网络流量特征互利共生柯西变异

基于高维多目标优化的跨架构恶意软件检测研究

在线全文

学校读者我要写书评

暂无评论

基于高维多目标优化的跨架构恶意软件检测研究

作者：张志刚太原科技大学

学位级别：硕士

随着物联网技术的迅猛发展,数量庞大的物联网设备越来越成为恶意软件的攻击目标。机器学习算法可以自动学习和适应不断变化的物联网恶意软件的特征和行为,有助于应对新型未知的恶意软件变种。然而物联网环境中呈现的设备指令集架构的多... 详细信息

随着物联网技术的迅猛发展,数量庞大的物联网设备越来越成为恶意软件的攻击目标。机器学习算法可以自动学习和适应不断变化的物联网恶意软件的特征和行为,有助于应对新型未知的恶意软件变种。然而物联网环境中呈现的设备指令集架构的多样性使得恶意软件捕猎工作十分棘手。不同架构上的恶意软件会在文件结构、文件规模以及代码特征等方面具有差异,这增加了恶意软件特征提取的困难。以特征工程和机器学习为基础的检测方法在跨架构物联网恶意软件检测场景中存在多个冲突的挑战和需求。这些问题是非线性且高度复杂,使用传统方法求解十分困难或者成本高昂。为此,本文对恶意软件检测模型在数据处理阶段和模型训练阶段的相关问题进行高维多目标优化问题建模,并使用智能优化算法进行求解以提升检测恶意软件模型的跨架构泛化性能。本文的主要工作内容如下:(1)跨架构物联网恶意软件数据空间存在多维度的不平衡问题,包括架构之间的不平衡和家族之间不平衡,影响机器学习检测模型的检测性能和可信度。本文提出了一种基于高维多目标优化的多维度平衡策略搜索优化模型用于跨架构物联网恶意软件检测。我们将恶意软件数据多维度平衡策略搜索问题建模为一个高维多目标的优化问题,并使用智能优化算法求解。在所构建的多维度平衡策略搜索优化模型中,架构选择偏差、置信程度、类别区分度和分类错误代价在内的四个目标被纳入考虑,以实现在高可信的情况下提高分类器在各个架构的多个检测性能指标。在失衡率阶梯式变化的数据集上进行的实验表明,我们提出的方法在多个目标上均有很大提升。(2)物联网设备分散在不同的应用场景中,而传统模型训练机制需要将原始数据从本地设备传输到服务器,其面临着数据传输成本和隐私安全等问题。本文引入在通信开销和隐私保护上具有优势的联邦学习机制,提出基于高维多目标优化的联邦恶意软件检测优化模型用于跨架构物联网。我们建立了针对学习性能、架构选择偏差、时间消耗和训练稳定性四个方面的基于智能优化技术的客户端选择策略,用于引导恶意软件检测保持高水平跨架构泛化能力的同时,节约训练时间和提高训练稳定性。通过多场景的实验表明,我们提出的联邦恶意软件检测优化模型在使用跨架构物联网数据训练恶意软件检测模型时,可以比传统方法更有效地实现检测模型的架构兼容性。(3)现有算法在求解多维度平衡策略搜索优化模型和联邦恶意软件检测优化模型时,由于选择压力和多样性不足会显著降低其性能。针对此问题,本文提出了基于性能平衡函数的高维多目标优化算法。三个性能平衡函数被分别用于算法的种群预选阶段、匹配池构造阶段和环境选择阶段,在进化的不同阶段依据种群信息,环境信息引导最优解选择,从而增强算法的搜索效率。通过实验表明,基于性能平衡函数的高维多目标优化算法在逼近真实帕累托前沿面有较好的性能,并在求解多维度平衡策略搜索优化模型和联邦恶意软件检测优化模型时都取得了良好表现。

关键词：恶意软件检测物联网安全跨架构高维多目标优化