基于混合特征提取与梯度提升的恶意软件检测方法研究

《Scientific Reports》：A robust and reliable method for malware classification using hybrid features and gradient boosting

　　

摘要

在当前网络安全体系中，软件安全公司面临的最主要问题是新型恶意软件不断涌现。尽管已进一步探索了各种深度学习和机器学习方法，但基于静态和动态数据成功检测恶意软件的目标仍未实现。加密、打包和分发中的缺陷，以及恶意软件样本在不同家族中的分布差异，使这一问题更加严重。要进行利用深度学习方法的实际恶意软件研究，需要具备相应能力的數據科學家、大量计算能力（尤其是GPU）和时间。为了克服这些问题，本文提出了一种混合特征提取方法，该方法基于基准恶意软件图像集，融合了小波特征和其他统计特征。基于梯度提升的分类模型可可靠地用于分类不同类型的恶意软件。此外，本文还研究了机器学习系统对分布内测试样本进行分类的能力。该方法已在两个基准数据集MelVis和MALIMG上进行充分测试，以确保其有效性。通过合并这两个数据集，可以利用多样化的样本数组来测试所提出的技术。所提出的方法优于现有技术，在MALIMG数据集上达到了100%的准确率，在合并数据集上达到了98.10%和98.40%的准确率。其价值远远超出网络安全领域，在维护物联网生态系统等方面也具有重要作用，有助于改进网络设备和系统。