TLECNN：一种面向物联网相关安全环境的迁移学习增强CNN恶意软件家族分类方法

《Electronics》：TLECNN: A Transfer Learning-Enhanced CNN for Malware-Family Classification in IoT-Relevant Security Environment

　　

物联网（Internet of Things, IoT）设备的快速增长极大地扩展了恶意软件的攻击面。这产生了对适用于此类环境中资源感知型IoT安全分析的准确恶意软件分类技术的需求。本文提出了一种用于基于图像的恶意软件分类的迁移学习增强卷积神经网络（transfer learning-enhanced convolutional neural network, TLECNN）。该框架基于ResNet50骨干网络，使用ImageNet预训练权重初始化，并针对包含25个恶意软件家族的MalImg数据集中的恶意软件样本进行微调。该框架系统地评估了冻结（frozen）、全量（full）和选择性（selective）微调策略，包括类加权学习，并基于类敏感性能保留了不带类加权的选择性微调。使用五种优化算法评估所提模型：Adam、NAdam、Adagrad、Adadelta和Adamax。实验结果表明，所提出的TLECNN达到了99.49%的准确率。在报告的优化器评估中，NAdam取得了最高的观测性能，宏精确率（macro-precision）为98.87%，宏召回率（macro-recall）为98.73%，宏F₁分数（macro-F₁-score）为98.79%，马修斯相关系数（Matthews correlation coefficient, MCC）为0.9940。高宏召回率和F₁分数对于恶意软件家族分类尤为重要，因为较不常见恶意软件家族的较差识别可能被较高的总体准确率所掩盖。该框架在面向集中式IoT安全分析的多类恶意软件分类中展示了有竞争力的性能。研究人员对计算特征进行了量化，并在一个外部的多架构ARM/MIPS和x86-64 ELF IoT恶意软件数据集上进一步评估了所选框架。这些发现支持TLECNN用于集中式或网关导向的IoT安全分析，并为将基于迁移学习的恶意软件分析扩展到面向IoT的网络安全应用提供了基础。

随着物联网（IoT）技术的快速扩张，工业系统、医疗、交通、监控和智能家居等网络物理环境广泛采用互联设备，攻击面显著扩大。许多IoT设备计算资源有限、认证机制薄弱、固件过时，成为恶意软件攻击的突出目标。图像类恶意软件分类方法利用卷积神经网络（CNN）和迁移学习在MalImg等基准数据集上取得了高准确率，但完全从零训练的模型依赖大量计算资源和数据，且在不平衡数据集上对少数家族的识别性能可能被整体准确率掩盖。现有研究往往将迁移学习、类别不平衡、优化器选择与计算效率分开考虑，缺乏统一框架下的系统评估。为此，研究人员提出TLECNN，旨在基于ImageNet预训练ResNet50适应恶意软件图像分类，并在统一实验条件下比较五种优化器。

研究人员提出的TLECNN采用ResNet50骨干，通过对比冻结、全量、选择性微调和类加权策略，最终保留不带类加权的选择性微调。在MalImg数据集（9339张灰度图像，25个家族）上，TLECNN在报告的优化器评估中取得99.49%的准确率、98.87%的宏精确率、98.73%的宏召回率、98.79%的宏F₁分数和0.9940的MCC。外部多架构ELF验证和五折稳健性评估进一步支持其泛化能力。该框架为集中式或网关导向的IoT安全分析提供了有效的恶意软件分类基础。

研究采用的主要方法包括：以ImageNet预训练ResNet50为骨干，替换分类头为全局平均池化、1024单元ReLU全连接层和25单元Softmax层；比较冻结、全量、选择性及类加权微调；通过SHA-256哈希审计精确重复项并采用组感知分区防止泄漏；在相同设置下使用Adam、NAdam、Adagrad、Adadelta和Adamax优化器训练100轮；使用准确率、宏精确率、宏召回率、宏F₁分数、MCC等指标评估。样本队列来源：MalImg公开数据集；外部数据来自Xia等发布的多架构ELF物联网恶意软件数据集，其中ARM/MIPS实验保留7771个样本（5类），x86-64实验保留4571个样本（3类）。

研究结果按小标题总结如下：

4.1 ResNet50基线评估：基线实验显示，Adam与NAdam在总体准确率上相近，NAdam的召回率和F₁分数略高，Adam的精确率略高。

4.2 微调与类加权消融：在相同条件下比较四种配置，选择性微调不带类加权的宏F₁分数最高（0.990450），且可训练参数更少；类加权未改善性能，因此被保留用于后续优化器评估。

4.3 TLECNN优化器评估：在统一架构和训练设置下比较五种优化器，NAdam取得最高的准确率、宏精确率、宏召回率、宏F₁分数和MCC；Adam性能接近；Adadelta最低。配对McNemar精确检验（p=1.000）和5000次重采样的bootstrap置信区间（?0.003759至0.007517）表明Adam与NAdam差异不具统计显著性。

4.4 五折稳健性评估：独立组感知五折分层交叉验证得到平均准确率99.0054%±0.1064%、宏F₁分数97.3159%±0.2215%，表明所选配置跨数据分区稳定。

4.5 类敏感与计算分析：混淆矩阵显示大多数家族分类准确，主要误差集中于视觉相似的少数家族（如Swizzor变种）。模型总参数25,711,513，其中17,099,801可训练，较全量微调减少33.36%；每图像计算量7.7554 GFLOPs，FP32存储约102.85 MB，批量1推理延迟10.129 ms；Float16 TFLite转换后模型大小降至51.26 MB，动态范围量化后为26.05 MB。

4.6 外部多架构ELF验证：在ARM/MIPS测试集上达到93.38%准确率和89.20%宏F₁分数；在独立验证的x86-64子集上达到96.94%准确率和95.18%宏F₁分数，支持跨架构的泛化能力。

5.1 与ResNet50基线比较：在相同条件下匹配比较，TLECNN在21个家族中F₁分数与基线相同，在Fakerean、Swizzor.gen!E、Swizzor.gen!I和Wintrim.BX上有所提升，其中三个为TrojanDownloader类。

5.2 与近期研究比较：与既有方法相比，TLECNN准确率优于部分2020—2023年报告的方法，少数新架构略高；其贡献在于在统一框架内整合迁移学习、类敏感评估和优化器分析。

讨论总结：TLECNN在高度不平衡的MalImg数据集上实现了高类敏感性能，外部ELF验证和资源特征支持其用于集中式IoT恶意软件分析，但未在物理受限设备上直接部署或测量能耗。恶意软件规避技术（如重打包）未纳入评估，未来需研究模型压缩、边缘部署、对抗鲁棒性和联邦学习，并探索基于大模型的智能体以增强自适应网络安全能力。

结论翻译：研究人员提出TLECNN，一种基于图像的恶意软件家族分类的迁移学习增强卷积神经网络。该框架利用预训练的视觉表示，并考察多种优化器的影响。在包含25个家族共9339张灰度图像的MalImg数据集上，五种优化器在统一设置下比较，其中NAdam取得最高观测性能：准确率99.49%，宏精确率98.87%，宏召回率98.73%，宏F₁分数98.79%，MCC 0.9940。类级别分析显示，相比ResNet50基线，若干恶意软件家族的识别得到改善。NAdam配置实现了较高的类敏感性能，尤其适用于需要正确识别恶意样本并减少假阴性的网络安全场景。高宏召回率和F₁分数对不平衡恶意软件数据集非常重要。结果证明了迁移学习、类别不平衡感知分析和受控优化器选择在多类恶意软件分类中的有效性。当前评估使用MalImg基准和IoT特定数据集，外部ELF评估与资源特征增强了对集中式IoT恶意软件分析的适用性，而直接部署于受限设备仍属未来工作。恶意软件规避技术未被评估，后续可研究模型压缩、边缘部署、对抗鲁棒性和联邦学习，提升系统的实用性和鲁棒性。