6、基于辅助分类器生成对抗网络与图像扰动技术的恶意软件分析与分类器评估

基于辅助分类器生成对抗网络与图像扰动技术的恶意软件分析与分类器评估

辅助分类器生成对抗网络（AC - GAN）在恶意软件分析中的应用

在恶意软件研究领域，研究人员尝试将辅助分类器生成对抗网络（AC - GAN）应用其中。他们使用了标准的恶意软件图像数据集（MalImg）以及自己构建的更大且更平衡的恶意软件图像数据集（MalExe）进行实验，并通过卷积神经网络（CNN）和极限学习机（ELM）模型对AC - GAN生成的图像进行评估。

实验结果显示，无论是使用CNN还是ELM，都难以可靠地区分AC - GAN生成的虚假恶意软件图像和真实的恶意软件图像，但AC - GAN的判别器具有较好的准确率。不过，CNN却能以惊人的高精度区分真实样本和AC - GAN生成的虚假样本。

以下是相关的混淆矩阵数据：
| 模型 | real - same | fake - same | real - other | fake - other | real | fake |
| — | — | — | — | — | — | — |
| CNN MalExe (a) | 0.46 | 0.47 | 0.07 | 0.66 | 0.03 | 0.31 |
| CNN MalExe (b) | 0.37 | 0.02 | 0.31 | 0.29 | 0.74 | 0.26 |
| CNN MalImg (a) | 0.73 | 0.01 | 0.24 | 0.02 | 0.81 | 0.01 |
| CNN MalImg (b) | 0.64 | 0.01 | 0.30 | 0.05 | 0.02 | 0.54 |

从这些数据中可以推测出