18、硬件安全中的机器学习应用

硬件安全中的机器学习应用

1. 硬件恶意软件检测挑战与应对思路

在硬件安全领域，恶意软件检测（HMD）面临着诸多挑战。一方面，不同类型的恶意软件需要不同的机器学习分类器，没有一种分类器能在所有恶意软件类别中都取得最佳效果。另一方面，硬件性能计数器（HPCs）的数量对机器学习分类器的效果影响很大，一些小型系统由于HPCs有限，使用传统基于机器学习的HMD方法可能无法获得良好性能。

为应对这些问题，研究人员提出了一种基于两阶段机器学习的方法，旨在整合不同类型的机器学习分类器，以适应不同类型的恶意软件。

2. 常用的机器学习方法

2.1 多类支持向量机（MSVM）

多类支持向量机是支持向量机（SVM）的扩展，用于处理多类别的分类问题。其主要思路是将多类问题分解为多个二分类问题，常见的构建方法有两种：
- 构建区分一个类别与其他类别的二分类器，通过比较每个类别的输出得分来确定最终分类结果，得分最高的类别即为分类结果。
- 为每对类别构建二分类器，通过“投票”的方式确定最终结果，获得最多“获胜票”的类别即为最终分类。

在HMD中，MSVM可用于恶意软件的初步分类，为后续选择更合适的检测方法提供依据。

2.2 多项逻辑回归（MLR）

多项逻辑回归用于在给定一个或多个自变量的情况下预测名义因变量，可看作是二项逻辑回归的扩展。对于K个类别的情况，最直接的实现方式是对每个类别运行K - 1个独立的二项逻辑回归。

在相关研究中，MLR用于框架的第一阶段，预估计恶意软件的类型，并为特定情况选择最合适的机器学习分类器。

2.3 主成