利用轻量级大型语言模型（LLMs）在边缘设备上进行恶意软件检测：性能评估

《ACM Transactions on Internet Technology》：Malware Detection at the Edge with Lightweight LLMs: A Performance Evaluation

恶意软件检测在资源受限的边缘计算中面临传统方法效率不足的问题，本文提出基于轻量级大语言模型（LLMs）的解决方案，通过优化模型架构平衡精度与计算效率，并利用公开数据集在多种边缘节点上验证其有效性。

　　

摘要

恶意软件攻击的迅速演变要求开发创新的检测方法，尤其是在资源有限的边缘计算环境中。传统的检测技术难以跟上现代恶意软件的复杂性和适应性，这促使人们转向更先进的方法，例如利用大型语言模型（LLMs）来提升恶意软件检测能力。然而，直接在边缘设备上部署LLMs进行恶意软件检测会面临诸多挑战，包括在资源受限的环境中确保检测准确性，以及应对边缘设备的能源和计算能力限制。为了解决这些挑战，本文提出了一种架构，该架构利用了轻量级LLMs的优势，同时克服了准确性降低和计算能力不足等限制。为了评估这种基于轻量级LLM的边缘计算方法的有效性，我们使用了几种最先进的轻量级LLMs进行了广泛的实验评估。我们使用专为边缘计算和物联网场景设计的公开数据集，以及具有不同计算能力和特性的边缘设备对它们进行了测试。