论文详读：LEMNA: Explaining Deep Learning based Security Applications

我以我ppt的内容顺序介绍一下这篇论文，希望有错误的地方大家可以帮我指出嘻嘻

1、论文出处

论文名：LEMNA: Explaining Deep Learning based Security Applications

作者：Wenbo Guo, Dongliang Mu, Jun Xu, Purui Su, Gang Wang, Xinyu Xing（Wenbo Guo是宾夕法尼亚大学计算机系博士，并且在京东安全研发中心研究时发表了此篇论文）

论文发表：Proceedings of The 25th ACM Conference on Computer and Communications Security  CCS2018年优秀论文（CCS是安全领域四大顶会之一）

发表时间：2018年10月

 

2、概述

2.1主要内容

   本文介绍了一种新的方法——LEMNA，可以为基于深度学习的安全应用提出高精度的解释，该方法提出了基于fused lasso增强的混合回归模型，解决了现有的解释技术无法处理特征依赖和非线性局部边界问题。LEMNA可以帮助安全分析人员用来理解分类器行为，排除分类错误等。总的来说LEMNA本质上是一种解释技术。

2.2研究背景

     目前深度神经网络在网络安全应用上展现了强大的潜力，并且在恶意软件分类，逆向工程等都取得了很好的效果。逆向工程指的是将二进制代码转化为汇编语言或其他语言代码，实现二次开发。其作用包括检测恶意软件、易受攻击的代码片段，挖掘漏洞，生成安全补丁等。深度学习在二进制逆向工程的应用主要包括使用RNN识别函数边界，定位函数类型特征等等。恶意软件分类指的是判断软件/文件是恶性的还是良性的，深度学习在这上面的应用主要是使用MLP模型进行大规模的恶意软件分类。

      但是由于神经网络的不透明特性，很难知道深度神经网络是依据什么如何做出分类决策的，因此提出了一种解释技术来解释深度神经网络是如何做出决策的，解释技术实际上就是用来找到对分类结果做出关键贡献的特征。

2.3研究动机

     由于我们关心的安全领域（如二进制逆向工程）使用的深度学习模型，深度学习模型包含多层网络，复杂度高，很难知道深层神经网络是如何做出某些决定的，安全从业人员难以信任深度学习模型，并且现有的解释技术在安全领域应用得非常少，并且效果不好，因此为了改进现有解释技术存在的问题，我们提出一种解释技术——LEMNA

2.4要解决的问题

       安全领域例如二进制逆向工程、恶意软件分类领域没有适用的高精度的解释技术，以及现有的解释技术存在的：无法处理特征依赖和非线性局部边界问题。

2.5遇到的挑战

       安全领域对于解释的精度（准确度）要求非常高，如果安全从业人员不能排除分类错误，那么这些错误