7、人工智能在恶意软件分析与分布式强化学习中的应用

人工智能在恶意软件分析与分布式强化学习中的应用

在当今数字化时代，恶意软件的威胁日益严峻，同时分布式强化学习也在众多领域得到广泛应用。然而，恶意软件的检测面临着诸多挑战，如混淆技术导致的误报率增加；分布式强化学习则容易受到拜占庭攻击的干扰。本文将探讨如何利用人工智能技术应对这些问题。

恶意软件分析中的人工智能应用

在恶意软件分析中，我们采用了基于灰度图像的模型训练方法，并运用注意力机制来提高检测的准确性和可解释性。

改进的二进制文件模型

为了降低因混淆导致的误报率，我们提出了两种考虑二进制文件修改性质的模型，均以灰度图像作为输入。
- 单一 CNN 模型 ：该模型能输出二进制文件的性质信息，包括是否为恶意软件以及是否被混淆。它在性能上表现出色，F1 分数达到 0.8924，准确率为 0.8852。并且，它能以 84% 的准确率判断二进制文件是否被修改，这有助于恶意软件分析师更好地理解检测结果，解释为何一些良性文件会被误判为恶意软件，也能在检测结果不明确时，促使分析师对可疑文件使用沙箱进行进一步分析。
- 三个 CNN 叠加模型 ：第一个 CNN 用于根据是否混淆对二进制文件进行分类，准确率为 85%；另外两个分别针对修改和未修改的二进制文件，预测其是否为恶意软件。该模型的优势在于每个 CNN 相互独立，可单独重新训练，且采用不同架构提高数据的泛化能力。不过，其 F1 分数为 0.8797，准确率为 0.8699，略逊于单一 CNN 模型。

模型名称	F1 分数