Detecção e Classificação de Malware Baseada em Visão Inteligente Usando o Paradigma de Floresta Aleatória Profunda

O malware é uma ameaça que está rapidamente aumentando para a computação moderna. Os autores de malware continuamente incorporam várias características sofisticadas, como ofuscações de código, para criar variantes de malware e eludir a detecção por sistemas existentes de detecção de malware. A classificação de variantes de malware não vistas com características semelhantes em suas respectivas famílias é um desafio significativo, mesmo que o classificador seja treinado com variantes conhecidas pertencentes à mesma família. A identificação e extração de características distintas para cada malware é outra questão para a generalização do sistema de detecção de malware. Características que contribuem para a capacidade de generalização do classificador são difíceis de serem desenvolvidas com modificações em cada malware. Sistemas convencionais de detecção de malware empregam métodos baseados em assinatura estática e métodos baseados em comportamento dinâmico, que são ineficazes na análise e detecção de malware avançado e zero-day. Para abordar essas questões, este trabalho emprega uma abordagem de visualização onde o malware é representado como imagens 2D e propõe uma solução robusta de aprendizado de máquina contra malware. O sistema proposto é baseado em uma abordagem de ensemble em camadas que imita as características-chave das técnicas de aprendizado profundo, mas apresenta desempenho superior em relação a estas. O sistema proposto não requer ajuste de hiperparâmetros ou retropropagação e funciona com complexidade de modelo reduzida. O modelo proposto superou outras técnicas de ponta com uma taxa de detecção de 98,65%, 97,2% e 97,43% para os conjuntos de dados de malware Malimg, BIG 2015 e MaleVis, respectivamente. Os resultados demonstram que a solução proposta é eficaz na identificação de novos e avançados malwares devido às suas características diversificadas.