[论文解读] 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 11

一句话总结

本文提出 MalDeepNet，一种由 TB-Malnet 和 IB-Malnet 组成的深度神经网络框架，用于动态恶意软件行为分类，同时引入一种家族聚类算法和基于 Mal-GAN 的新型预测模型，以实现未来恶意软件检测。该方法在恶意软件数据集上表现出色，显著优于传统基于规则的方法，在检测准确率和效率方面均有显著提升。

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.

研究动机与目标

• 通过利用深度学习提升准确率与效率，解决传统基于规则的恶意软件检测系统存在的局限性。
• 开发一种专门的深度神经网络（MalDeepNet），用于基于动态行为的恶意软件分类。
• 设计一种基于深度学习的家族聚类算法，用于将相关恶意软件变种分组。
• 构建一种生成对抗网络（Mal-GAN），基于学习到的模式预测未来恶意软件。
• 在真实世界恶意软件数据集上评估所提出模型，以验证其性能与实际适用性。

提出的方法

• 作者设计了 MalDeepNet，其由两个专用的深度神经网络组成：TB-Malnet 用于行为分析，IB-Malnet 用于从动态执行轨迹中提取特征。
• 开发了一种基于深度学习的家族聚类算法，根据行为相似性将恶意软件样本分组为家族。
• 实现了基于恶意软件的生成对抗网络（Mal-GAN），用于生成合成恶意软件样本并预测未来恶意软件行为。
• 在真实恶意软件数据集上训练并评估模型，以评估分类与预测性能。
• 该框架将动态分析与深度学习相结合，以增强检测的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 深度学习模型是否能在恶意软件检测的准确率与效率方面超越传统基于规则的系统？
• RQ2 MalDeepNet 在基于动态执行行为的恶意软件分类方面表现如何？
• RQ3 基于深度学习的聚类模型在识别相关恶意软件家族方面的能力有多强？
• RQ4 Mal-GAN 模型是否能基于学习到的模式成功预测未来恶意软件变种？
• RQ5 该集成的深度学习流水线在真实世界恶意软件数据集上的整体性能如何？

主要发现

• 与传统基于规则的方法相比，MalDeepNet 在基于动态行为的恶意软件分类方面表现出更优的性能。
• 基于深度学习的家族聚类算法能够以高度一致性成功将相关恶意软件变种分组。
• Mal-GAN 模型展现出生成真实恶意软件模式并预测未来威胁的能力。
• 集成的深度学习流水线在测试数据集上显著降低了时间成本，同时提升了检测准确率。
• 所提出的模型在真实世界恶意软件检测场景中展现出强大的实际应用价值与可扩展性。