5.30日阅读笔记

《 Classifying Malware Represented as Control Flow Graphs using Deep Graph Convolutional Neural Network》阅读记录

1. 本文的动机（motivation）是什么？即，作者为什么要写这篇文章，为什么要提出这个方法？

   在高投资回报率的推动下，恶意软件得到了迅猛的发展。传统的方法是基于机器学习的恶意软件分类方法，但是其适应性差，效率低。为了解决这一问题，本文提出一种利用深度图卷积神经网络嵌入CFGs（控制流图）中固有的结构信息进行高效恶意软件分类的新方法。可以高效的对恶意软件分类。

2. 根据文章的描述，现有的其他方法是什么？有哪些缺陷？

   现有的方法一：基于机器学习的恶意软件分类方法，其依赖于从原始二进制文件或反汇编代码中提取的手工特征（handcrafted features）

   缺陷： 由于提取的这些特征比较多样化，在通用性和性能之间，若过分关注性能以获取分类的高精度，则会在不同系统中失去通用性；若过分关注通用性，就会降低分类器的辨别能力。

   现有的方法二：从以控制流图（CFGs）表示的恶意软件程序中构建一个恶意软件分类系统， 利用图的相似性度量来训练恶意软件分类模型。（ CFGs是一种常用于描述任何计算机程序控制流的数据结构 ）

   缺陷： 计算量过大

3. 作者提出的方法是什么？有哪些特点？

   作者提出的方法： 从以控制流图（CFGs）表示的恶意软件程序中构建一个恶意软件分类系统 ， 基于图核的深度神经网路，来将恶意程式分类为控制流程图的深度图卷积神经网络（DGCNN） 。

   特点：

   1. 较好的解决了通用性的问题（1. 从不同格式的恶意软件代码中都可以提取到CFG；2. CFG可用于导出在基于mls的恶意软件分类的现有工作中广泛使用的各种静态分析特征）
   2. 使用属性控制流图（ACFG），将CFG转化为易于机器学习的形式
   3. 精度与手工恶意软件特征应用的最新方法相当