通过集成的SimCLR和GRU网络进行自适应性恶意软件识别
Faisal S Alsubaei1, Abdulwahab Ali Almazroi2, Walid Said Atwa2,3
1Department of Cybersecurity, College of Computer Science and Engineering, Jeddah, 21959, Saudi Arabia. fsalsubaei@uj.edu.sa.
Scientific reports
|July 13, 2025
概括
本研究介绍了SimCLR-GRU,这是一个先进的恶意软件检测框架,利用对比学习和反复的神经网络来增强威胁识别. 它达到99%的准确性,为实时网络安全挑战提供了强大的解决方案.
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:
- 恶意软件越来越多地通过模糊和动态行为逃避传统的基于签名的检测.
- 现有的方法在识别新威胁方面存在局限性,在数字基础设施中产生漏洞.
- 适应性,实时恶意软件检测系统的需求对企业和机构安全至关重要.
研究的目的:
- 开发一个适应性和高效的恶意软件检测框架,能够进行实时分析.
- 为了解决检测复杂恶意软件的传统方法的局限性.
- 提高恶意软件检测系统的准确性和弹性.
主要方法:
- 推出了SimCLR-GRU,这是一种结合SimCLR用于特征提取和Gated Recurrent Unit (GRU) 进行顺序模式分析的新型组合架构.
- 集成的基于图形神经网络 (GNN) 的特征选择以最大限度地减少冗余.
- 利用鱼群搜索 (FSS) 进行超参数优化,以提高模型性能.
主要成果:
- 在一个便携式可执行 (PE) 恶意软件数据集上实现了99%的分类准确性,超过了15%的基线模型.
- 具有很高的概括性和准确性,曲线下的面积 (AUC) 为98.2%,F1得分为96.8%.
- 报告了0.02%的低虚假阳性率和低推理延迟,适合实时应用.
结论:
- SimCLR-GRU为现代,不断发展的恶意软件检测挑战提供了可扩展和有效的解决方案.
- 该框架的性能突显了其对实时和资源受限环境的潜力.
- 对比学习,GRU,GNN和FSS的整合提供了对网络安全威胁的强有力的方法.
