一种多标签可视化方法用于恶意软件行为分析
Dilara T Uysal1, Paul D Yoo2,3, Kamal Taha4
1Birkbeck College, University of London, London, WC1E 7HX, UK.
Scientific reports
|October 31, 2025
概括
DECODE 是一种用于恶意软件分析的新框架,使用深度学习和人工智能来根据多种行为分类威胁. 这种方法为复杂的网络攻击提供了更全面的理解.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 恶意软件分析 恶意软件分析
背景情况:
- 恶意软件不断发展,挑战传统的网络安全防御.
- 现有的分类方法专注于主要目标,忽视复杂的,重叠的恶意软件策略.
研究的目的:
- 引入DECODE (Dynamic Exploits的深度分类),这是一个用于可解释和全面的恶意软件分析的新框架.
- 通过结合多标签,上下文意识分析来解决传统恶意软件分类中的局限性.
主要方法:
- 利用对象检测与一个新的,用于恶意软件分类的自动注释管道.
- 扩展梯度加权类激活映射 (Grad-CAM) 与贝叶斯式配方用于不确定性意识可视化.
- 采用基于代理的大型语言模型 (LLM),用于行为解释的批评和验证循环.
主要成果:
- 实现了0.8513的多标签分类准确度和0.9380.0的二进制分类准确度.
- 在恶意软件分类任务中,DECODE的表现优于传统的深度学习基线.
- 证明有效的分类,即使对于视觉上无法区分的恶意软件特征.
结论:
- 通过根据细粒度的结构和行为特征进行分类,DECODE提供了对复杂恶意软件威胁的更丰富的理解.
- 该框架通过结合视觉本地化,多标签评分和可解释的叙述来实现全面分析.
- DECODE通过提供更准确和详细的恶意软件分类来增强网络安全.
