基于事件的LEDA层级恶意软件检测架构

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:

• 新的恶意软件菌株的扩散需要先进的检测技术.
• 现有的机器学习方法通常依赖于静态文件分析或全面的流程日志,这对于某些恶意软件类型 (如勒索软件) 可能是低效或多余的.
• 实时检测对于缓解快速发展的网络威胁至关重要.

研究的目的:

• 介绍LEDA,一种用于实时过程行为监控的新型恶意软件检测架构.
• 开发一个系统,动态学习歧视性特征,并优化模型评估,以最小化用户感知到的性能影响.
• 解决传统恶意软件检测方法的局限性,特别是对于宣布其存在的恶意软件,如勒索软件.

主要方法:

• LEDA采用实时过程行为监控方法.
• 架构动态识别和学习用于恶意软件检测的最相关的功能.
• 它以最佳方式触发模型评估,以平衡检测准确性和系统性能.

主要成果:

• LEDA在实时检测Windows恶意软件方面表现出有效性.
• 该系统动态适应学习关键特征,提高检测效率.
• 使用长达一年的恶意软件和合法应用程序数据集进行评估,对该模型的时间有效性进行了洞察.

结论:

• LEDA提供了一个有前途的实时恶意软件检测解决方案,在特定威胁方面表现优于传统方法.
• 动态功能学习和优化模型评估是有效和高效的恶意软件检测的关键.
• 进一步的研究应该探索LEDA在多样化和不断变化的威胁环境中的有效性的长期时间衰退.