AITOP

恶意软件分类

共 2 条相关 AI 资讯
8月14日
10:35
10:35官方账号arXiv cs.LG@Christofer Washington Berruz Chungata, Martin Jurecek, Katerina Potika, William B. Andreopoulos, Mark Stamp
该论文针对恶意软件分类模型因概念漂移导致的性能下降问题，对比了三种漂移检测技术：基于One-Class SVM（OCSVM）的新方法、基于Minibatch K-Means（MK-Means）的已有方法以及统计检验方法MMD。实验覆盖四种模型：多层感知机、随机森林、支持向量机和XGBoost，并在静态、周期重训练和漂移感知三种场景下评估。结果表明，漂移感知重训练在保持与周期重训练相近分类精度的同时，大幅减少需要重训练的模型数量。其中OCSVM方法在准确率和训练效率的Pareto权衡上整体优于MK-Means和MMD。
论文OCSVMMK-MeansMMD
推荐理由：做恶意软件检测的同学可以看看，论文证明了用OCSVM检测概念漂移再触发重训练，能省下大量计算资源还不掉精度。
原文
6月30日
13:38
13:38官方账号arXiv cs.AI@Jithin S., Roshin Sleeba C., Anvin Mariya P. B., Asmitha K. A., Vinod P., Serena Nicolazzo, Antonino Nocera
该论文提出一个基于混合专家（MoE）架构的统一多任务恶意软件分析框架，同时在高维EMBER特征集和原始1D字节数组上处理三种任务：恶意软件家族分类、加壳/未加壳检测、恶意/良性识别。研究了Homogeneous MoE、Heterogeneous MoE和Multi-Gate MoE（MMoE）三种变体，在原始和变异样本上评估对抗鲁棒性。MMoE模型取得最佳性能，综合检测率0.9744，失败率仅2.56%，且在分布偏移下表现出更强的鲁棒性。结果表明专家专业化和任务特定路由能有效应对复杂恶意软件分布。
论文MoEEMBER恶意软件分类
推荐理由：这篇论文用MoE同时干分类、查加壳、判黑白三种活，检测率97.44%，比单模型稳多了，做恶意软件方向的值得看。
原文