SEED：一种半监督的持续恶意软件检测方法，用于解决预算限制下的概念漂移问题

《ACM Transactions on AI Security and Privacy》：SEED: Semi-supervised Continual MalwarE Detection for Tackling ConcEpt Drift on a BuDget

　　

摘要

由于良性程序与恶意程序之间存在概念漂移，基于机器学习的恶意软件检测方法会逐渐失效。现有的方法需要完全标注的数据，并结合层次对比损失与主动学习技术，利用恶意软件表示的语义结构来提升对概念漂移的抵御能力。然而，在安全领域中获取标注数据仍是一项艰巨的任务。如果使用部分标注的数据进行训练，那么在检测未知恶意软件时，这类方法的性能会下降（以精确度-召回率曲线下面积下的时间积分作为评估指标），尤其是在那些缺乏此类语义结构的数据集上，比如BODMAS数据集。在BODMAS数据集上，该方法的表现从0.795下降到0.613；在AndroZoo数据集上则从0.879下降到0.780。本文提出了一种与语义结构无关的恶意软件检测方法。该方法被称为SEED，在监督条件有限的情况下依然具有很强的稳定性，即便在没有强烈语义结构的情况下也能超越对比学习方法，而当存在此类结构时则能保持竞争力。具体而言，SEED采用定制化的二元交叉熵函数，并将其与半监督持续学习及主动学习相结合。该方法通过奇异值分解，将每个未标注样本投影到由先前已处理数据构成的表示空间中，从而为每个样本找到合适的标注样本，同时促使恶意软件检测器为这些成对的样本学习相同的表示形式。对于完全未标注的样本，该方法通过表示空间中的余弦距离来量化新样本的不确定性，进而选择最不确定的样本让安全分析师进行标注。之后，再利用已有标注样本来训练这些未标注样本。我们使用Windows和Android平台的恶意软件数据集对SEED进行了测试。实验结果表明，与HCL（即HCL的半监督改进版本）相比，即使只在已有样本上使用20%的标注数据，SEED在BODMAS数据集上检测未知恶意软件时的平均性能提升可达40%，在AndroZoo数据集上则为14%，且这种提升效果在不同标注比例下均保持稳定。此外，SEED在APIGraph数据集上的表现也与HCL相当。最后，我们还引入了一种延迟缓冲区更新策略，用以减少未标注样本中标签噪声的影响，从而降低数据重放过程中的噪声传播，提升学习稳定性。我们的代码可在以下链接获取¹。