[論文レビュー] New Era of Deeplearning-Based Malware Intrusion Detection: The Malware Detection and Prediction Based On Deep Learning

Shuqiang Lu, Lingyun Ying+6 more|arXiv (Cornell University)|Jul 19, 2019

Advanced Malware Detection Techniques参考文献 48被引用数 11

ひとこと要約

本稿では、動的マルウェア行動分類のためのTB-MalnetおよびIB-Malnetから構成される深層ニューラルネットワークフレームワークMalDeepNet、ならびに将来のマルウェア検出のための家族クラスタリングアルゴリズムおよび新規のMal-GANベースの予測モデルを提案する。このアプローチはマルウェアデータセット上で優れた性能を示し、従来のルールベース手法と比較して検出精度と効率が顕著に向上している。

ABSTRACT

With the development of artificial intelligence algorithms like deep learning models and the successful applications in many different fields, further similar trails of deep learning technology have been made in cyber security area. It shows the preferable performance not only in academic security research but also in industry practices when dealing with part of cyber security issues by deep learning methods compared to those conventional rules. Especially for the malware detection and classification tasks, it saves generous time cost and promotes the accuracy for a total pipeline of malware detection system. In this paper, we construct special deep neural network, ie, MalDeepNet (TB-Malnet and IB-Malnet) for malware dynamic behavior classification tasks. Then we build the family clustering algorithm based on deep learning and fulfil related testing. Except that, we also design a novel malware prediction model which could detect the malware coming in future through the Mal Generative Adversarial Network (Mal-GAN) implementation. All those algorithms present fairly considerable value in related datasets afterwards.

研究の動機と目的

• 従来のルールベースのマルウェア検出システムの限界を克服するため、深層学習を活用して精度と効率を向上させること。
• 動的動作に基づいてマルウェアを分類するための特別な深層ニューラルネットワーク（MalDeepNet）を開発すること。
• 関連するマルウェアバリアントをグループ化するための深層学習ベースの家族クラスタリングアルゴリズムを設計すること。
• 学習したパターンに基づいて将来のマルウェアを予測するための生成的対抗ネットワーク（Mal-GAN）を構築すること。
• 実世界のマルウェアデータセットを用いて提案モデルの性能と実用的適用性を検証すること。

提案手法

• 著者らは、行動分析用のTB-Malnetと動的実行トレースからの特徴抽出用のIB-Malnetからなる2つの特別な深層ニューラルネットワークで構成されるMalDeepNetを設計した。
• 行動の類似性に基づいてマルウェアサンプルを家族にグループ化するための深層学習ベースの家族クラスタリングアルゴリズムを開発した。
• 合成マルウェアサンプルを生成し、将来のマルウェア行動を予測するためのマルウェア生成的対抗ネットワーク（Mal-GAN）を実装した。
• 分類および予測性能を評価するために、実際のマルウェアデータセットを用いてモデルを訓練および評価した。
• 動的分析と深層学習を統合することで、検出の頑健性と一般化性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、従来のルールベースシステムと比較して、マルウェア検出の精度と効率を上回ることができるか？
• RQ2 MalDeepNetは、動的実行動作に基づいてマルウェアを分類する上でどれほど効果的か？
• RQ3 深層学習ベースのクラスタリングモデルは、関連するマルウェアファミリーをどの程度正確に同定できるか？
• RQ4 Mal-GANモデルは、学習したパターンに基づいて将来のマルウェアバリアントを効果的に予測できるか？
• RQ5 実世界のマルウェアデータセットにおける統合された深層学習パイプラインの全体的な性能はいかがなものか？

主な発見

• MalDeepNetは、従来のルールベース手法と比較して、動的動作に基づくマルウェア分類において優れた性能を発揮した。
• 深層学習ベースの家族クラスタリングアルゴリズムは、類縁するマルウェアバリアントを高い一貫性でグループ化できた。
• Mal-GANモデルは、現実的なマルウェアパターンの生成および将来の脅威の予測能力を示した。
• 統合された深層学習パイプラインは、テストされたデータセットにおいて時間コストを顕著に削減し、検出精度を向上させた。
• 提案されたモデルは、実世界のマルウェア検出シナリオにおいて強力な実用的価値とスケーラビリティを示した。