Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Machine learning techniques for imbalanced multiclass malware classification through adaptive feature selection.

PeerJ. Computer science·2025
查看所有相关文章

相关实验视频

Updated: Jul 8, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

558

使用1D-CNN进行不平衡的多类恶意软件分类的整体方法.

Binayak Panda1, Sudhanshu Shekhar Bisoyi2, Sidhanta Panigrahy3

  • 1Department of Computer Science and Engineering, Institute of Technical Education and Research, Siksha 'O' Anusandhan (Deemed to be) University, Bhubaneswar, Odisha, India.

PeerJ. Computer science
|December 11, 2023
PubMed
概括
此摘要是机器生成的。

这项研究引入了用于恶意软件分类的增强深度学习模型,提高了对复杂威胁的检测精度. 这种新的方法有效地使用应用程序编程接口 (API) 调用序列对恶意软件变体进行分类.

关键词:
1D-CNN 1D-CNN 是一个数字.API序列的API序列是什么动态分析 动态分析组合学习学习 组合学习恶意软件的分类 恶意软件的分类跳过-克拉姆可以.

更多相关视频

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.5K
Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.4K

相关实验视频

Last Updated: Jul 8, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

558
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.5K
Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

1.4K

科学领域:

  • 计算机科学 计算机科学
  • 网络安全 网络安全
  • 人工智能的人工智能

背景情况:

  • 恶意软件开发人员越来越多地使用代码模糊,创建多态和变态变体,逃避传统基于签名的检测.
  • 恶意软件的数量和种类不断增加,需要超越传统机器学习的先进分析技术.
  • 在内部对恶意软件进行分类,以及将其与良性软件区分开来,对于理解行为细微差别至关重要.

研究的目的:

  • 为了研究应用程序编程接口 (API) 调用序列之间的关系,用于恶意软件分类.
  • 开发和评估基于API调用模式的多类恶意软件分类的深度学习模型.

主要方法:

  • 利用一维卷积神经网络 (1D-CNN) 模型进行API序列的多类分类.
  • 采用Word2Vec和skip-gram模型来生成不同API的特征向量.
  • 实施了1D-CNN模型训练的1vs-rest方法,并与组合分类的ModifiedSoftVoting算法相结合.

主要成果:

  • 拟议的1D-CNN组合架构在Mal-API-2019数据集上实现了高性能.
  • 在所有恶意软件类别中实现了0.90的准确性,0.90的加权平均F1得分和超过0.96的AUC得分.

结论:

  • 组装的1D-CNN模型在基于API调用序列的不同恶意软件类型的分类方面表现出显著的有效性.
  • 这种深度学习方法为检测高级恶意软件提供了强大的解决方案,优于现有的方法.
  • 这些发现突出了深度学习的潜力,以加强网络安全防御,以应对不断变化的恶意软件威胁.