コンパクトな画像特徴とマルチクラスサポートベクターマシンを用いたマルウェアの分類

マルウェアおよび悪意のあるコードは、かなりのコストと損失を引き起こすだけでなく、標的とされる組織の評判に悪影響を与えます。マルウェア開発者、ハッカー、および情報セキュリティ専門家は互いに打ち勝つための戦略を継続的に改善しています。残念ながら、すべてのマルウェアを検出・排除するための万能の解決策は存在しません。この状況は、通常コンピュータソフトウェアやインターネットツールに影響を与える未検出の脆弱性によってさらに悪化します。このような脆弱性は、マルウェア開発者によって完全に悪用されるまで未検出のままであり、その結果、かなりの財政的損失と評判の損失を引き起こすことになります。本論文では、マルウェアバイナリの画像表現のみを使用して、マルウェアを検出および分類する新しいスキームを提案します。主成分分析を使用して、マルウェアのカテゴリおよび構造の非常に識別的な特徴がコンパクトな部分空間で抽出されます。次に、最適化されたサポートベクターマシンモデルが抽出された特徴をマルウェアカテゴリに分類します。既存の分類モデルとは異なり、私たちの解決策は、代表的なデジタル画像に基づいてマルウェアを分類するために単純な代数的ドット積を必要とします。その性能を評価するために、公開されている画像データセットであるMalimg、Ember、BIG 2015が考慮されます。私たちの性能分析は、彼らの分類器が最先端のモデルを上回り、Malimg、Ember、およびBIG 2015のマルウェアデータセットを使用して、それぞれ0.998、0.911、および0.997の分類精度を達成することを示しています。