恶意软件的检测和攻击 文献整理

最新推荐文章于 2024-06-12 19:29:11 发布
最新推荐文章于 2024-06-12 19:29:11 发布
阅读量3k 收藏 22
点赞数 6
分类专栏： malware 文章标签： malware 恶意代码 文献

本文转载自：恶意软件的检测和攻击 文献整理

本文将按照：发表时间、论文名、收录会议（C）或期刊（J）等 的顺序列出文献并对其作简要介绍
其中：
A / T，attack \ defence，攻击 \ 防御
T，type，恶意软件类型
D，dataset，数据集
M，method，所用的方法
R，result，实验结果
C，contribution，我认为作者的主要贡献（可能会片面）
红色、紫色、黑色的文章标题是我认为文章的阅读价值降序

目录

1. 2013年及以前 （共0篇）2. 2014年 （共1篇）

2.1 Explaining and harnessing adversarial examples (arXiv, 后发表于 ICLR 2015) [15]

3. 2015年 （共2篇）

3.1 Malware images: visualization and automatic classification (Symposium on visualization for cyber security) [14]

3.2 Malware classification with recurrent networks (ICASSP, CCF-B) [16]

4. 2016年 （共2篇）

4.1 Automatically evading classifiers (NDSS, CCF-B) [1]

4.2 Adversarial perturbations against deep neural networks for malware classification (arXiv) [2]

5. 2017年 （共4篇）

5.1 Adversarial examples for malware detection (ESORICS, CCF-B) [3]

5.2 Evading machine learning malware detection (Black Hat) [6]

5.3 Generating adversarial malware examples for black-box attacks based on GAN (arXiv) [7]

5.4 Adversary resistant deep neural networks with an application to malware detection (KDD, CCF-A) [9]

6. 2018年 （共7篇）

6.1 Malware detection by eating a whole exe (AAAI workshop, CCF-A) [11]

6.2 Adversarial Malware Binaries: Evading Deep Learning for Malware Detection in Executables (arXiv) [4]

6.3 Deceiving end-to-end deep learning malware detectors using adversarial examples (CoRR) [5]

6.4 Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifiers (RAID, CCF-B) [8]

6.5 HeNet: A Deep Learning Approach on Intel $^\circledR $ Processor Trace for Effective Exploit Detection (arXiv) [12]

6.6 Zero-day malware detection using transferred generative adversarial networks based on deep autoencoders (Information Sciences, CCF-B) [10]

6.7 Behavioral Malware Classification using Convolutional Recurrent Neural Networks (arXiv) [13]

参考文献

1. 2013年及以前 （共0篇）
2. 2014年 （共1篇）


2.1 Explaining and harnessing adversarial examples (arXiv, 后发表于 ICLR 2015) [15]


A / T：白盒 / 对抗训练
M：对对抗样本的存在性进行分析，给出著名的FGSM这种有效生成对抗样本的方法，以及对抗训练这种有效的防御方法
T：图片
D：MNIST
R：-
C：近些年对抗工作的开山文章

3. 2015年 （共2篇）


3.1 Malware images: visualization and automatic classification (Symposium on visualization for cyber security) [14]

注：在查找过程中发现这一篇文章是2011年发表的

D：新方法
M：将恶意软件二进制字节转变成图片，再通过图分类技术实现恶意软件的分类
T：Windows PE
D：9458 malware, 25 families
R：98.08%
C：恶意软件可视化的思路将其转变为图分类问题，且结果不错

3.2 Malware classification with recurrent networks (ICASSP, CCF-B) [16]


D：新结构
M：提出一种双向RNN为核心的恶意软件检测结构
T：Windows PE
D：250000 malware, 250000 benign samples
R：TPR 98.3%, FPR0.1%
C：较早的基于深度学习的恶意软件检测工作

4. 2016年 （共2篇）


4.1 Automatically evading classifiers (NDSS, CCF-B) [1]


A：黑盒（分数）
M：遗传算法
T：PDF
D：500 seed samples from Contagio archive
R：100%
C：遗传算法的角度新颖，黑盒攻击难度大，且结果较好

4.2 Adversarial perturbations against deep neural networks for malware classification (arXiv) [2]


C：应该是[3]的预发表版本

5. 2017年 （共4篇）


5.1 Adversarial examples for malware detection (ESORICS, CCF-B) [3]


A：白盒
M：作者把自己之前在EUROS&P提出的想法在Android这里应用并分析了一下，主要还是基于FGSM的思想
T：Android
D：DREBIN：123453 benign & 5560 malicious 54533 feature space
R：63%
C：实验和分析比较完整

5.2 Evading machine learning malware detection (Black Hat) [6]


A：黑盒
M：强化学习
T：Windows PE
D：200 samples
R：16%
C：结果一般，但引入了强化学习的思路

5.3 Generating adversarial malware examples for black-box attacks based on GAN (arXiv) [7]


A：黑盒
M：引入GAN，使用多种机器学习模型去拟合黑盒检测器以生成替代检测器，再对替代检测器进行GAN的白盒攻击
T：Windows PE
D： https://malwr.com/：180000 samples，30%malware
R：多组实验达到100%
C：北大同学的文章，较早引入GAN的工作，实验完整

5.4 Adversary resistant deep neural networks with an application to malware detection (KDD, CCF-A) [9]


D：增强结构
M：在输入层与第一层隐藏层之间加入随机特征无效化层，将输入数据随机置零，以削弱对抗样本
T：Windows PE
D：29078 benign, 14679 malicious
R：无效化比例10%=>90%时，抵抗力34.36%=>64.86%
C：类似dropout的思路，实验完整，结果不错，文章写得很好

6. 2018年 （共7篇）


6.1 Malware detection by eating a whole exe (AAAI workshop, CCF-A) [11]


D：新结构
M：提出一种基于卷积神经网络的恶意软件检测模型
T：Windows PE
D：Virus Share、OpenMalware、MS Windows、Misc：301575 malicious，291285 benign Industry partner：240000 malicious 237349 benign
R：94%（最好的一组实验）
C：一些比较权威机构研究人员的合作成果，具有代表性

6.2 Adversarial Malware Binaries: Evading Deep Learning for Malware Detection in Executables (arXiv) [4]


A：白盒
M：通过目标函数对输入的导数方向选择并在文件末尾增加字节来产生对抗样本
T：Windows PE
D：VirusShare、Citadel和APT：19195 malware Popular search engines：4000 benign software
R：60%
C：似乎是第一个攻击Malconv的比较成功的工作，尽管是白盒，但是结果还行

6.3 Deceiving end-to-end deep learning malware detectors using adversarial examples (CoRR) [5]


A：白盒
M：修改了FGSM的损失函数，使其能更好应用于恶意软件数据的离散性
T：Windows PE
D：ninite: 7150 benign samples Microsoft Kaggle 2015 dataset：10866 malware
R：100%（最好的一组实验的结果）
C：修改了FGSM的损失函数，使其能更好应用于恶意软件数据的离散性

6.4 Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifiers (RAID, CCF-B) [8]


A：黑盒
M：通过插入API序列产生对抗样本
T：Windows PE
D：250000 benign samples 250000 malicious samples
R：多组实验达到100%
C：使用插入API序列的方式，使用了动态特征，实验做的非常完整

6.5 HeNet: A Deep Learning Approach on Intel $^\circledR $ Processor Trace for Effective Exploit Detection (arXiv) [12]

D：新结构
M：使用CPU的PT模块检测软件的运行并生成相应的trace，将其通过解码并切割成图片序列，再使用迁移学习解决恶意软件的图分类问题
T：PDF
D：348 benign，299 malicious
R：100%
C：使用硬件提取特征信息的思路不错

6.6 Zero-day malware detection using transferred generative adversarial networks based on deep autoencoders (Information Sciences, CCF-B) [10]


D：新结构
M：提出tDCGAN，先将恶意软件转成图片形式，用自编码器做GAN的生成器，训练好的判别器通过迁移学习用于零日恶意软件的检测
T：Windows PE
D：Microsoft Kaggle Challenge：10800 malware
R：95.74%
C：零日恶意软件检测新思路，将迁移学习和DCGAN结合，文章写的不错

6.7 Behavioral Malware Classification using Convolutional Recurrent Neural Networks (arXiv) [13]


D：新结构
M：提出针对行为进行恶意软件类别划分的新模型：一种基于卷积和LSTM的网络结构
T：Windows Prefetch File
D：VirusShare：100000 malware
R：0.854 (F1 Score)
C：在基于行为的恶意软件分类任务中的精度算比较高的

参考文献


[1] Xu W, Qi Y, Evans D. Automatically evading classifiers[C]//Proceedings of the 2016 Network and Distributed Systems Symposium. 2016.
[2] Grosse K, Papernot N, Manoharan P, et al. Adversarial perturbations against deep neural networks for malware classification[J]. arXiv preprint arXiv:1606.04435, 2016.
[3] Grosse K, Papernot N, Manoharan P, et al. Adversarial examples for malware detection[C]//European Symposium on Research in Computer Security. Springer, Cham, 2017: 62-79.
[4] Kolosnjaji B, Demontis A, Biggio B, et al. Adversarial Malware Binaries: Evading Deep Learning for Malware Detection in Executables[J]. arXiv preprint arXiv:1803.04173, 2018.
[5] Kreuk F, Barak A, Aviv-Reuven S, et al. Deceiving end-to-end deep learning malware detectors using adversarial examples[M]//CoRR. 2018.
[6] Anderson H S, Kharkar A, Filar B, et al. Evading machine learning malware detection[J]. Black Hat, 2017.
[7] Hu W, Tan Y. Generating adversarial malware examples for black-box attacks based on GAN[J]. arXiv preprint arXiv:1702.05983, 2017.
[8] Rosenberg I, Shabtai A, Rokach L, et al. Generic Black-Box End-to-End Attack Against State of the Art API Call Based Malware Classifiers[C]//International Symposium on Research in Attacks, Intrusions, and Defenses. Springer, Cham, 2018: 490-510.
[9] Wang Q, Guo W, Zhang K, et al. Adversary resistant deep neural networks with an application to malware detection[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2017: 1145-1153.
[10] Kim J Y, Bu S J, Cho S B. Zero-day malware detection using transferred generative adversarial networks based on deep autoencoders[J]. Information Sciences, 2018, 460: 83-102.
[11] Raff E, Barker J, Sylvester J, et al. Malware detection by eating a whole exe[C]//Workshops at the Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
[12] Chen L, Sultana S, Sahita R. HeNet: A Deep Learning Approach on Intel $^\circledR $ Processor Trace for Effective Exploit Detection[J]. arXiv preprint arXiv:1801.02318, 2018.
[13] Alsulami B, Mancoridis S. Behavioral Malware Classification using Convolutional Recurrent Neural Networks[J]. arXiv preprint arXiv:1811.07842, 2018.
[14] Nataraj L, Karthikeyan S, Jacob G, et al. Malware images: visualization and automatic classification[C]//Proceedings of the 8th international symposium on visualization for cyber security. ACM, 2011: 4.
[15] Goodfellow I J, Shlens J, Szegedy C. Explaining and harnessing adversarial examples (2014)[J]. arXiv preprint arXiv:1412.6572.
[16] Pascanu R, Stokes J W, Sanossian H, et al. Malware classification with recurrent networks[C]//Acoustics, Speech and Signal Processing (ICASSP), 2015 IEEE International Conference on. IEEE, 2015: 1916-1920.

进一寸有一寸的欢喜077
关注
  • 6
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
机器学习算法的恶意代码检测的论文
05-07
论文用机器学习算法检测恶意代码，分别针对静态、动态这2 种分析模式下的检测方案进行了讨论，涵盖了恶意代码样本采集、特征提取与选择、机器学习算法分类模型的建立等要点。对机器学习算法下恶意代码检测的未来工作与挑战进行了梳理。为下一代恶意代码检测技术的设计和优化提供了重要的参考。
基于特征码的恶意软件检测实验
04-05
基于特征码的恶意软件检测实验
[论文阅读] (33)NDSS2024 Summer系统安全和恶意代码分析方向相关论文汇总
杨秀璋的专栏
06-11 1494
该系列将系统总结近年安全顶会中系统安全和恶意代码分析方向相关的论文，以论文摘要和框架图形式呈现。这篇文章将介绍NDSS2024 Summer系统安全和恶意代码分析方向的文章，包括异常检测及溯源、加密流量检测、APT攻击检测、恶意软件分析、程序分析、语音识别、侧信道漏洞、文件劫持漏洞、联邦学习后面攻击、威胁事件审查、Linux驱动等，这些大佬的文章真心值得我们学习，希望本文对您有所帮助。
攻和防谁更厉害？AI技术在恶意软件检测中的应用和对抗
weixin_30646315的博客
02-25 205
AI技术的发展为网络安全带来新机遇的同时，黑客也在逐渐利用AI漏洞建立对抗样本以躲避攻击，双方在各自领域的更多尝试也将是AI技术发展的一场新博弈。那么，在应用中，如何利用AI检测技术与恶意软件展开对抗？ 腾讯安全技术专家王佳斌为您带来分享解读。 AI检测的背景 上世纪50、60年代，早期的人工智能技术已出现，70年代到80年代，机器学习技术已被大家认识和应用。到2010年后，深度学习技术已被...
恶意程序检测之malconv模型
I_mYH的博客
07-25 3131
恶意程序检测之malconv模型 原创：https://blog.csdn.net/I_mYH/article/details/88759358 转载请注明出处 挑战： 与其他任务相比，深度学习在恶意软件识别领域还面临着一些挑战和不同之处。对于Portable...
基于深度学习的恶意软件检测
01-15 1564
基于深度学习的恶意软件检测
基于威胁情报的恶意软件检测系统.zip
08-08
7. **持续更新与优化**：鉴于恶意软件开发者不断进化其攻击手段，检测系统需保持更新，以应对新出现的威胁和绕过检测的方法。 在"基于威胁情报的恶意软件检测系统"这个项目中，可能包含了系统设计文档、源代码、...
面向安卓恶意软件检测的对抗攻击技术综述.pdf
09-21
本文对 Android 恶意软件检测领域的对抗攻击技术进行了系统的概述和分析，并提出了 Android 恶意软件检测模型和对抗攻击的发展趋势，为 Android 恶意软件检测领域的研究和发展提供了有价值的参考和指导。
基于深度学习的恶意软件检测研究.zip
最新发布
07-30
毕业设计是高等教育阶段学生完成学业的一个重要环节...学术规范： 毕业设计要求学生按照学术规范完成研究，包括文献综述、研究设计、数据采集与分析、结论和讨论等环节。学生需要撰写一篇完整的毕业论文，并进行答辩。
基于深度学习和机器学习的恶意软件检测算法
12-13
为了训练有效的恶意软件检测模型，我们需要一个包含大量恶意和良性样本的数据集。这些样本通常包括二进制文件、网络流量日志、API调用序列等。在提供的压缩包中，很可能是包含了这样的数据集，用于训练和验证模型的...
Malware Images Visualization and Automatic Classification.pdf
01-31
Malware Images Visualization and Automatic Classification Web 安全之机器学习 提到的恶意文件图像识别机制，本论文提供恶意图像可视化和自动分类的方法
对Malware Detection by Eating a Whole EXE的简单简单简单单理解
weixin_43971116的博客
05-09 916
核心技术： 既是用神经网络测试一整个文件的二进制代码 ，这之前相关的工作中并没有此想法。 这个方法消除了这个领域特定于知识的代码和特性处理，减少了专门代码的数量，减少了复制和扩展的障碍。 （在其他的检测工作中存在有人工输入代码特性的工作，而这需要特定的知识的代码） ...
[论文阅读] (20)USENIXSec21 DeepReflect：通过二进制重构发现恶意行为（恶意代码ROI分析经典）
杨秀璋的专栏
04-28 7179
《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。前一篇从个人角度介绍英文论文实验评估（Evaluation）的数据集、评价指标和环境设置如何撰写。这篇文章将带来USENIXSec21恶意代码分析的经典论文，DeepReflect，它通过二进制重构发现恶意功能，来自于佐治亚理工。希望对您有所帮助~
论文推荐 | 借助大语言模型GPT-4辅助恶意代码动态分析
杨秀璋的专栏
01-21 8538
这篇文章将介绍由广东省智能信息处理重点实验室发布的一项研究成果——借助大语言模型GPT-4辅助恶意代码动态分析。该研究首次将大语言模型和提示工程技术应用于恶意代码检测，并且相较于以往工作，该研究所提方法在多个检测指标上都有着显著提升。希望对您有所帮助~
[论文翻译]将机器学习应用于市场规模移动恶意软件检测的经验
my991201的博客
06-12 1138
应用市场是当今移动生态系统的关键所在，也是恶意软件的天然传播渠道，因为它们实际上为恶意应用 "提供了可信度"。在过去的十年中，人们一直在探索机器学习（ML）技术，以实现自动、稳健的恶意软件检测。遗憾的是，迄今为止，我们尚未看到基于 ML 的恶意软件检测解决方案在市场上大规模部署。为了更好地了解现实世界中的挑战，我们与一个主要的安卓应用市场（T-Market）开展了一项合作研究，该市场为我们提供了大规模的地面实况数据。我们的研究表明，成功开发此类系统的关键是多方面的，包括。
【论文笔记】AdversarialExamplesonDiscreteSequencesforBeating Whole-BinaryMalwareDetection用于击败全二进制恶意软件检测
qq_29883477的博客
10-16 68
近年来，深度学习在图像检测、图像分割、姿态估计、语音识别等诸多应用中都取得了性能突破。它还成功地应用于恶意软件检测。深度网络被发现容易受到对抗性示例的影响。到目前为止，成功的攻击已被证明是非常有效的，特别是在图像和语音领域，其中对输入信号的微小扰动不会改变人类对它的感知方式，但会极大地影响受攻击模型的分类。我们的目标是修改恶意二进制文件，使其在保留其原始功能的同时被检测为良性。与图像或语音相反，对二进制字节的微小修改会导致功能发生重大变化。
论文阅读笔记-You Are What You Do: Hunting Stealthy Malware via Data Provenance Analysis
梦想闹钟
06-09 605
NDSS You Are What You Do: Hunting Stealthy Malware via Data Provenance Analysis 链接：https://www.ndss-symposium.org/wp-content/uploads/2020/02/24167-paper.pdf 第一章 简介 1.文中介绍了现阶段的恶意软件多采用免杀技术来防范安全软件的检测，如进程重命名、文件重命名等，一般的恶意软件会把payload直接存在盘上，而这种经过免杀处理的恶意软件会把恶意逻辑隐藏
基于AI的恶意软件分类技术（4）
山楂的博客
05-14 1589
NDSS2020顶会论文：When Malware is Packin’ Heat; Limits of Machine Learning Classifiers Based on Static Analysis Features 关于恶意软件被加壳时，基于静态分析特征的机器学习分类器的限制
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值