使用基于图像的动态特征和转移学习来解决数据集限制的新技术

科学领域:

• 网络安全
• 机器学习
• 计算机法医

背景情况:

• 需要先进的检测方法.
• 目前基于图像的检测通常使用静态分析, 缺少动态行为.
• 现有的动态分析方法缺乏空间表现,并且难以扩展.

研究的目的:

• 开发一种新的行为图像勒索软件检测框架.
• 克服手动特征工程和大型标记数据集的局限性.
• 为了提高勒索软件威胁的检测准确性和概括性.

主要方法:

• 将动态行为特征转化为二维灰度和彩色图像.
• 使用像ResNet50这样的预训练模型进行转移学习 (TL).
• 整合特定领域的特征过和影响分析.

主要成果:

• 达到高达99.96%的准确度,损失因子为0.0026.
• 用一个小数据集 (500个勒索软件,500个良性样本) 证明了有效性.
• 使用t-SNE可视化和突出地图验证模型的解释性.

结论:

• 使用TL的行为图像框架为勒索软件检测提供了可扩展和适应的解决方案.
• 这种方法有效地减轻了对大量标记数据的需求,同时保持了高性能.
• 该模型的透明度和准确性表明,在实践中部署网络安全具有很强的潜力.