使用生成对抗网络和深度学习模型检测看不见的恶意软件威胁
Chirag Joshi1, Jashvant Kumar1, Gaurav Kumawat2
1Department of Data Science and Engineering, Manipal University Jaipur, Jaipur, Rajasthan, 303007, India.
Scientific reports
|October 6, 2025
概括
生成对抗网络 (GAN) 通过创建各种合成数据来训练卷积神经网络 (CNN) 来增强恶意软件检测. 这种深度学习方法提高了对不断变化的网络威胁的准确性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 恶意软件不断发展,使用模糊化技术,挑战传统的检测方法.
- 多态和零日恶意软件需要更强大的和适应性的检测策略.
- 深度学习为增强恶意软件识别和分类提供了潜力.
研究的目的:
- 介绍一个基于生成对抗网络 (GAN) 的框架,用于增强恶意软件检测数据集.
- 提高卷积神经网络 (CNN) 在分类恶意软件变体中的有效性.
- 探索创新的方法来生成现实的恶意软件样本进行培训.
主要方法:
- 在Malevis数据集上利用Vanilla GAN和4-Vanilla GAN生成合成恶意软件图像.
- 增强训练数据集与GAN生成的样本,以增加多样性和增强检测.
- 提出了一种混合CNN-LSTM架构,以捕获空间和顺序恶意软件模式.
- 引入了一个简化的GAN模型 (虚拟生成器),用于从二进制可执行文件创建灰度恶意软件变体.
主要成果:
- 在GAN增强数据集上训练CNN显著提高了恶意软件分类准确度.
- 在测试的GAN模型中,4-Vanilla GAN方法显示了最高的性能.
- 评估指标包括准确性,精度,回忆,FID分数,初始分数和多样性分数验证了这一方法.
- 基于GAN的策略有效地增加了恶意软件特定环境中的数据集多样性.
结论:
- 基于GAN的数据增强是一种强大的技术,用于增强基于深度学习的恶意软件检测.
- 拟议的框架有效地解决了有限的标记数据的挑战,用于训练可靠的检测模型.
- 这项研究展示了先进的人工智能技术对抗复杂和新兴网络威胁的潜力.