9、利用VGG16深度神经网络瓶颈特征进行恶意软件分类

利用VGG16深度神经网络瓶颈特征进行恶意软件分类

1. 背景介绍

在当今数字化时代，恶意软件（malware）的数量呈爆炸式增长，每天都会发现数千个新的恶意软件样本。恶意软件作者常常复用代码来生成具有相似特征的不同变体，这些变体可以被归为一个恶意软件家族。识别属于同一恶意软件家族的样本，有助于推导通用签名、实施清除程序以及创建适用于整个程序类别的缓解策略。

传统的恶意软件分类方法通常基于静态和动态分析的特征提取，然后使用机器学习分类器进行分类。然而，设计一个能够将原始数据转换为合适特征向量的特征提取器，需要精心的工程设计和大量的领域专业知识。

2. 相关工作

• 基于机器学习的分类方法 ：
  • Kolter和Maloof从Windows可执行文件中提取字节n - 元组，并训练了多个分类器，采用一对多的分类方法并组合各个分类器的预测结果。
  • Shabtai等人评估了不同操作码n - 元组大小和分类器的设置，发现2 - 元组操作码的性能优于其他设置，并且使用字节n - 元组的分类器准确性低于使用操作码n - 元组的分类器。
• 基于可视化技术的方法 ：Nataraj等人提出了一种将恶意软件表示为字节图灰度图像的分类方法，使用Gabor滤波器从字节图灰度图像中提取GIST描述符，然后使用k近邻（kNN）分类器，在包含25个恶意软件家族、共9458个恶意软件样本的数据集中获得了97.18%的准确率。
• 基于深度学习的方法