15、图神经网络在恶意软件检测与循环模型中的应用

图神经网络在恶意软件检测与循环模型中的应用

1. 恶意软件检测的现状与挑战

复杂的网络攻击，如犯罪团伙和国家发起的攻击活动，每年给美国经济造成高达 1090 亿美元的损失。政府和大型企业是这些复杂网络攻击的主要目标，攻击者旨在破坏关键服务并窃取知识产权。为了抵御这些攻击，需要强大的杀毒软件，能够在新型恶意软件在网络中传播并感染其他计算机之前快速检测到它们。

然而，大多数新发现的恶意软件具有多态性，这使得以签名为中心的恶意软件检测方法不再有效。因此，研究人员开始转向其他不依赖签名的恶意软件检测方法。

2. 基于图表示的恶意软件检测

为了应对这些挑战，网络安全领域开始采用复杂恶意软件的图表示方法。图表示能够建模复杂的交互，无需特征工程，保留结构信息，并且对公共混淆方法具有较强的鲁棒性。

MALNET 是首个大规模的恶意软件函数调用图（FCG）本体，每个 FCG 描述了软件程序中功能之间的调用关系，其中函数作为图的节点，过程间调用作为图的边。MALNET 总共包含 120 万个图，平均每个图有超过 35000 条边和 15000 个节点，涵盖 47 个类别和 696 个恶意软件家族。

2.1 评估 GATs 在恶意软件检测中的潜力

可以使用 MALNET 作为案例研究，评估图注意力网络（GATs）在检测不同类型恶意软件方面的潜力。不同 GATs 在 MALNET 上的详细实现可在相关补充材料中找到。

3. 循环图神经网络

3.1 传统网络与图神经网络的特点

在传统深度网络中，通过后续的学习参数层从输入数据中提取更高级别的表示。在基于