18、机器学习助力恶意软件演化检测

机器学习助力恶意软件演化检测

1. 引言

在恶意软件检测领域，传统依赖静态签名的方法虽有成效，但面对如今大量恶意软件样本以及多样的混淆和变形技术，签名扫描变得越来越不可行。近年来，机器学习和深度学习技术成为了恶意软件检测、分类和分析的首选工具。不过，检测恶意软件的演化同样至关重要，因为我们需要了解恶意软件家族何时发生重大演化，以便及时更新检测技术。

2. 背景知识

2.1 恶意软件类型

• 计算机蠕虫 ：能自行在网络中传播，如Code Red、Blaster、Stuxnet、Santy和Morris Worm等。
• 病毒 ：最常见的恶意软件形式，常与“恶意软件”概念混用。它需外部协助传播感染，常嵌入良性代码，高级病毒会采用加密、多态或变形技术躲避检测。
• 特洛伊木马 ：看似无害，实则携带恶意负载，如今安卓恶意软件大多为此类型。
• 陷阱门或后门 ：允许攻击者未经授权访问受感染系统，可用于发动拒绝服务（DoS）攻击。

传统恶意软件检测依赖静态签名，但易被混淆和变形技术破解，且大量样本使签名扫描变得困难。近年来，机器学习和深度学习技术成为主流检测工具，同时检测恶意软件演化也愈发重要。

2.2 相关研究

当前关于机器学习在恶意软件检测、分类和分析的研究众多，但考虑恶意软件演化的文章较少：
- 基于代码注入的恶意软件分析