8、基于深度学习的恶意软件分类与僵尸网络检测技术解析

基于深度学习的恶意软件分类与僵尸网络检测技术解析

1. 图像化恶意软件分类研究

在恶意软件分类领域，研究人员构建了用于安卓可执行文件恶意软件分类的卷积神经网络（CNN），并在相关数据集上评估其性能。
- 数据集与处理 ：该数据集包含 16384 个恶意软件样本，被划分为 10 个家族（9 个恶意软件家族和 1 个可信样本类别）。研究人员将恶意软件可执行文件转换为图像，并按家族进行划分。
- 模型表现 ：测试中取得了不错的分类性能，准确率达到 92.82%，损失值为 0.84，这表明基于图像的方法在恶意软件分类任务中具有一定的有效性。
- 攻击方法 ：为了验证模型的弱点，研究人员采用了基于两种简单扰动技术的攻击方法，以实现无目标的错误分类。同时，还实现了一个工具来自动化上述扰动过程。实验结果显示，这些扰动使模型准确率降至 0%，并且能够检测修改后文件为威胁的商业杀毒软件数量也有所减少。
- 局限性与展望 ：该方法存在两个主要局限性，一是无法实现有目标的错误分类，二是在没有足够有效扰动时可能失败。未来，研究人员计划实施更复杂的混淆技术，以实现有目标的错误分类，将所有混淆后的恶意软件标记为可信家族。

项目	详情
数据集样本数量	16384 个
家族数量 <