检索结果-内蒙古大学图书馆

信息安全研究 2023年第8期9卷 762-770页

作者：刘亚倩北京天融信网络安全技术有限公司北京100085

目前,恶意代码家族同源性分析方法多侧重于闭集分类问题的研究,即假定待测样本一定属于某个已知家族类别.然而真实环境中的恶意代码家族众多,未知类别的家族通常占大多数,采用闭集识别的方法,无法准确识别真实环境中的恶意代码家族.针... 详细信息

目前,恶意代码家族同源性分析方法多侧重于闭集分类问题的研究,即假定待测样本一定属于某个已知家族类别.然而真实环境中的恶意代码家族众多,未知类别的家族通常占大多数,采用闭集识别的方法,无法准确识别真实环境中的恶意代码家族.针对上述问题,提出了一种基于开集识别的恶意代码家族同源性分析方法.通过N-Gram滑动窗口和Doc2vec句嵌入方法将恶意代码可执行文件转换成灰度图像,基于卷积神经网络模型MobileNet获取灰度图像数据的特征,利用Open Long-tailed Recognition模型实现恶意代码家族的开集识别.在9个已知类别和9个未知类别恶意代码家族上进行识别,实验结果表明,所提出的方法能够识别出未知类别恶意代码家族,同时在已知类别和未知类别家族上都能保持较高的准确率.

关键词：恶意代码家族开集识别 Open Long-tailed Recognition N-Gram Doc2vec MobileNet

来源：评论

学校读者我要写书评

暂无评论

一种基于多特征的恶意代码家族静态标注方法

引用

信息安全研究 2018年第4期4卷 322-328页

作者：刘亮刘露平何帅刘嘉勇四川大学网络空间安全学院成都610065 四川大学电子信息学院成都610065

描述了一种基于多特征的恶意代码家族静态标注方法,该方法针对现有技术提取特征单一的缺点,采用恶意代码可视化技术绘制恶意代码图像,并从图像源和文本源、字节码层和操作码层进行特征的提取,多来源多层次地提取特征.为了更好地利用提... 详细信息

描述了一种基于多特征的恶意代码家族静态标注方法,该方法针对现有技术提取特征单一的缺点,采用恶意代码可视化技术绘制恶意代码图像,并从图像源和文本源、字节码层和操作码层进行特征的提取,多来源多层次地提取特征.为了更好地利用提取自多个层次的特征,设计了3层多分类器联合框架来进行特征的学习,3层多分类器联合框架分为特征组合层、分类层和联合层.最后利用学习到的模型便可以自动进行恶意代码的标注.为了验证方法的有效性,对Microsoft提供的9类恶意代码进行恶意代码家族标注测试实验,实验结果表明,该方法在除了Simda恶意样本家族外,在其他样本家族中的准确率、精确率、召回率和F1-score均高于90%.通过实验证明了该方法的有效性和可靠性.

关键词：恶意代码家族多特征恶意代码图像机器学习多分类器联合框架

来源：评论

学校读者我要写书评

暂无评论

基于字节码图像的Android恶意代码家族分类方法

引用

网络与信息安全学报 2016年第6期2卷 38-43页

作者：杨益敏陈铁明浙江工业大学计算机科学与技术学院浙江杭州310023

面对Android恶意代码高速增长的趋势,提出基于字节码图像的Android恶意代码家族分类方法,通过将Android恶意应用的字节码转化为256阶灰度图形式的字节码图像,利用GIST算法提取图像的纹理特征,并结合随机森林算法对特征进行分类。对常见... 详细信息

面对Android恶意代码高速增长的趋势,提出基于字节码图像的Android恶意代码家族分类方法,通过将Android恶意应用的字节码转化为256阶灰度图形式的字节码图像,利用GIST算法提取图像的纹理特征,并结合随机森林算法对特征进行分类。对常见的14种Android恶意代码家族的样本进行了实验验证,并与DREBIN方法进行比较,实验结果表明,该方法可有效进行Android恶意代码家族分类,具有检测精度高且误报率低的优点。

关键词：安卓恶意代码家族图像纹理字节码

来源：评论

学校读者我要写书评

暂无评论

基于恶意代码图像指纹的恶意代码家族标注方法

引用

通信技术 2017年第3期50卷 545-549页

作者：何帅刘嘉勇四川大学电子信息学院四川成都610065

伴随着互联网的高速发展,恶意代码的规模呈指数级增长,且大多是已知恶意代码的变种。通过研究恶意代码图像的特征,提出了一种基于恶意代码图像指纹的恶意代码家族标注方法。该方法将恶意代码反汇编文件绘制成图像,提取图像的全局指纹GIS... 详细信息

伴随着互联网的高速发展,恶意代码的规模呈指数级增长,且大多是已知恶意代码的变种。通过研究恶意代码图像的特征,提出了一种基于恶意代码图像指纹的恶意代码家族标注方法。该方法将恶意代码反汇编文件绘制成图像,提取图像的全局指纹GIST特征描述符和局部指纹SIFT特征点,通过BoW模型对局部特征进行优化,最终获取图像指纹,并采用随机森林的方法实现恶意代码家族标注。实验结果表明,该方法能有效实现恶意代码家族标注,具有标注正确率高且误报率低的特点。

关键词：恶意代码图像指纹多维特征恶意代码家族随机森林

来源：评论

学校读者我要写书评

暂无评论

基于最大频繁子图挖掘的动态污点分析方法

引用

计算机研究与发展 2020年第3期57卷 631-638页

作者：郭方方王欣悦王慧强吕宏武胡义兵吴芳冯光升赵倩哈尔滨工程大学计算机科学与技术学院哈尔滨150001 哈尔滨商业大学计算机与信息工程学院哈尔滨150028

目前,传统面向恶意代码识别的动态污点分析方法广泛存在行为依赖图数量巨大、匹配时间消耗长的问题.提出一种动态污点分析方法——基于最大频繁子图挖掘的动态污点分析方法.该方法从恶意代码家族行为依赖图挖掘出代表家族显著共性特征... 详细信息

目前,传统面向恶意代码识别的动态污点分析方法广泛存在行为依赖图数量巨大、匹配时间消耗长的问题.提出一种动态污点分析方法——基于最大频繁子图挖掘的动态污点分析方法.该方法从恶意代码家族行为依赖图挖掘出代表家族显著共性特征的最大频繁子图,被挖掘出的最大频繁子图即为某类恶意代码家族以及该家族所有变种之间最为突出的共有特征,使用挖掘出的最大频繁子图与被测行为依赖图进行比较匹配即可.既能够保证原有恶意代码特征无丢失又削减了行为依赖图数量,并在此基础上进一步提升了识别效率.经实验分析,提出的这种新的动态污点分析方法相比于传统方法,当最小支持度为0.045时,行为依赖图数量减少了82%,识别效率提高了81.7%,准确率达到了92.15%.

关键词：恶意代码识别恶意代码家族动态污点分析行为依赖图最大频繁子图挖掘

来源：评论

学校读者我要写书评

暂无评论

基于多频特征学习的恶意代码变种分类

引用

计算机工程与设计 2024年第7期45卷 1934-1940页

作者：靳黎忠薛慧琴段明博赵旭俊高改梅太原科技大学应用科学学院山西太原030024 太原科技大学计算机科学与技术学院山西太原030024

针对恶意代码变种分类方法没有充分对原始输入进行分析的问题,提出一种更加高效的基于深度学习的办法,使用卷积神经网络对多频信息进行学习。对恶意代码转化而成的图像进行研究,利用小波变换进行多频和多层次的分析,抓住低频和高频特征... 详细信息

针对恶意代码变种分类方法没有充分对原始输入进行分析的问题,提出一种更加高效的基于深度学习的办法,使用卷积神经网络对多频信息进行学习。对恶意代码转化而成的图像进行研究,利用小波变换进行多频和多层次的分析,抓住低频和高频特征;针对多频信息输入,设计一种多频特征学习模块,充分挖掘其中有用信息。实验结果表明,该方法在Malimg数据集上,相比其它两种恶意代码分类办法,分别取得了1.5%和0.8%的效果提升。

关键词：恶意代码分类多频特征深度学习小波变换灰度图像卷积神经网络恶意代码家族

来源：评论

学校读者我要写书评

暂无评论

基于家族感知的图表示学习安卓恶意软件家族分析

基于家族感知的图表示学习安卓恶意软件家族分析

引用

作者：曾开发江西理工大学

学位级别：硕士

随着移动设备的普及和依赖程度的增加,安卓平台上的恶意软件数量和复杂性也在不断增加,给用户和系统带来了严重的安全威胁。安卓恶意软件家族分析对于构建高效的恶意软件检测机制至关重要。近年来,人们开展了许多基于图表示学习的恶意... 详细信息

随着移动设备的普及和依赖程度的增加,安卓平台上的恶意软件数量和复杂性也在不断增加,给用户和系统带来了严重的安全威胁。安卓恶意软件家族分析对于构建高效的恶意软件检测机制至关重要。近年来,人们开展了许多基于图表示学习的恶意软件检测和分类研究,许多方法将恶意软件建模为图数据,以挖掘恶意软件的行为语义。然而,这些工作大多没有考虑样本(图)级别的关系,属于同一家族的恶意软件通常具有类似的恶意行为。根据数据处理不等式对样本进行转换会导致互信息传输的损失,这启发了我们从样本间关系角度考虑基于图表示学习的恶意软件分析。本文主要聚焦于基于图表示学习的安卓恶意软件家族分析,并且基于现有相关方法的局限性,引入了恶意软件样本之间的关系。将安卓应用程序建模成可以反映其行为语义的函数调用图,并且在函数调用图中的节点上填充从代码层面提取的API权限和操作码特征,使用图神经网络学习其图层次表示用以下游的图分类任务。本文创新性的在图分类任务中插入有助于提高家族可区分性的家族表示细化组件,并提出了一种基于家族感知的图神经网络安卓恶意代码分析(FAGnet)模型。设计使用4个基础的图神经网络(GCN、Graph SAGE、GAT、GIN)在2个基准数据集(Drebin、CICAnd Mal2017)上进行了大量实验,并与一些基准方法进行了全面比较。实验验证了FAGnet的有效性,它在Drebin数据集上实现了98.11%的准确率,在CICAnd Mal2017类别和家族分类上分别实现了83.45%和72.76%的准确率。此外,设计执行了一系列的消融实验来证明本文所提出的API权限和操作码节点特征以及联合监督损失函数的有效性。最后,使用真实世界的数据对FAGnet进行了评估,并在真实世界的场景中保持了令人满意的性能。这表明基于家族感知的图表示学习的方法在安卓恶意代码分析中具有潜在的应用前景,可以有效地帮助识别和防范各种安全威胁。

关键词：安卓恶意代码分析恶意代码家族图神经网络图分类静态代码分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：