多模式双嵌入网络用于恶意软件开放集识别

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 恶意软件开放式识别 (MOSR) 对于识别已知和新型恶意软件家族至关重要.
• 现有的MOSR方法由于已知和未知的恶意软件之间的相似特征分布而陷入困境.
• 在MOSR中基于值的检测可能导致未知样本被错误地归类为已知的样本.

研究的目的:

• 提出一种新的方法,MDENet,用于增强恶意软件开放式识别.
• 通过利用多式联络信息来提高恶意软件特征的辨别能力.
• 解决现有的MOSR技术在处理特征分布相似性的局限性.

主要方法:

• 开发了使用数字和文本恶意软件特征的多式联运双嵌入网络 (MDENet).
• 利用多尺度CNN对恶意软件图像进行数字特征编码.
• 使用语言模型来编码文本特征,创建代表向量.
• 实施在歧视性和排他性空间中的双重嵌入,具有对比的学习和球体规范化.
• 将MAL-100数据集增强为MAL-100+数据集,具有多式联运特征.

主要成果:

• MDENet有效地增强了功能多样性,导致了更具代表性和歧视性的恶意软件表示.
• 双嵌入策略改善了已知家族的分类和未知家族的检测.
• 邮件和MAL-100+数据集的实验结果验证了拟议方法的有效性.
• 丰富的MAL-100+数据集为未来的MOSR研究提供了宝贵的资源.

结论:

• 通过有效地融合多式联网功能,MDENet在恶意软件开放式识别方面取得了重大进展.
• 拟议的双嵌入方法提高了恶意软件分类和检测的稳定性和准确性.
• 这项工作为MOSR领域提供了新的架构和改进的数据集.