《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)
基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
蔣永康，孫遜，楊玉龍
貴州航天計(jì)量測(cè)試技術(shù)研究所
摘要： 近年來(lái),，利用機(jī)器學(xué)習(xí)直接從文件字節(jié)序列中提取特征并進(jìn)行惡意軟件分類(lèi)的方法受到了廣泛關(guān)注,。但惡意軟件字節(jié)序列較長(zhǎng)，直接輸入模型進(jìn)行訓(xùn)練,，時(shí)間和空間開(kāi)銷(xiāo)巨大,，難以適用大數(shù)據(jù)場(chǎng)景下的海量文件樣本。針對(duì)該問(wèn)題,，提出基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)方法,，通過(guò)離散傅里葉變換設(shè)計(jì)頻域采樣策略保留字節(jié)序列中的主要低頻成分，合成新的短信號(hào),，實(shí)現(xiàn)訓(xùn)練效率的提高,。公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,，與最先進(jìn)的基于原始字節(jié)序列的惡意軟件分類(lèi)方法相比，所提出的方法與其分類(lèi)效果相當(dāng),，且將模型的訓(xùn)練時(shí)間和GPU顯存占用分別降低了90%和50%以上,。
中圖分類(lèi)號(hào)：TP393.08文獻(xiàn)標(biāo)識(shí)碼：ADOI:10.19358/j.issn.2097-1788.2025.01.003引用格式：蔣永康，孫遜,，楊玉龍. 基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理,，2025，44（1）：15-20.
Frequency domain sampling of byte sequences for malware classification
Jiang Yongkang,，Sun Xun,，Yang YuLong
Institute of Guizhou Aerospace Measuring and Testing Technology
Abstract： Recently, methods of using machine learning to directly extract features from byte sequences and classify malware have received widespread attention. However, byte sequences of malware are long, directly inputting them into models for training will involve large time and space overheads, making it difficult to adapt to massive samples in big data scenarios. To address this problem, this paper proposes a malware classification method based on frequency domain sampling of byte sequences. A frequency domain sampling strategy is designed through discrete Fourier transform to retain main low-frequency components in byte sequence, synthesize new short signals, and achieve the purpose of improving training efficiency. Experimental results show that compared with the state-of-the-art malware classification method based on raw byte sequences, the proposed method has comparable accuracy and can reduce the model training time and GPU memory usage by more than 90% and 50% respectively.
Key words : malware classification; byte sequences; frequency domain sampling; machine learning

引言

惡意軟件分類(lèi)致力于研究如何識(shí)別惡意軟件以及區(qū)分不同的惡意軟件家族，作為網(wǎng)絡(luò)安全研究領(lǐng)域中的一個(gè)重要分支,，對(duì)于理解和防御不同類(lèi)型的惡意軟件以及溯源網(wǎng)絡(luò)攻擊具有重要意義,。惡意軟件分類(lèi)方法大致可以分為：基于靜態(tài)特征［1］和動(dòng)態(tài)特征［2］的傳統(tǒng)方法，以及引入機(jī)器學(xué)習(xí)［3］的新式方法,?；陟o態(tài)特征的方法［4-6］依賴(lài)于復(fù)雜的特征工程，難以應(yīng)對(duì)惡意軟件的快速演化,；基于動(dòng)態(tài)特征的方法［7-9］涉及耗時(shí)的行為特征監(jiān)控［10］,，難以規(guī)模擴(kuò)展。近年來(lái),，利用機(jī)器學(xué)習(xí)直接從文件字節(jié)序列中提取特征并進(jìn)行惡意軟件分類(lèi)的方法受到了廣泛關(guān)注［11-12］,。該方法的框架如圖1所示，其研究核心是設(shè)計(jì)一個(gè)分類(lèi)模型,，將輸入樣本x的字節(jié)序列映射到一個(gè)范圍為［0,1］的概率分布c=［c0,c1,…,cM］上,，其中∑cm=1。測(cè)試時(shí),，計(jì)算類(lèi)別m=argmax(c),，m=0表示良性軟件，m≥1表示相應(yīng)的惡意軟件家族,。如果M=1,，分類(lèi)模型實(shí)現(xiàn)面向良性軟件與惡意軟件的二分類(lèi)；如果M≥2,，則分類(lèi)模型實(shí)現(xiàn)面向惡意軟件家族的多分類(lèi),，此時(shí)良性軟件被看作一類(lèi)特殊的家族。

03.1.png

圖1基于字節(jié)序列分析的惡意軟件分類(lèi)框架

通過(guò)機(jī)器學(xué)習(xí)模型自動(dòng)地從序列中提取和編碼特征的技術(shù)路線能更好地適應(yīng)當(dāng)今惡意軟件的動(dòng)態(tài)變化,，也能更好地實(shí)現(xiàn)各類(lèi)型和跨平臺(tái)的惡意軟件分類(lèi),。然而，當(dāng)面對(duì)大數(shù)據(jù)場(chǎng)景下的海量文件樣本時(shí),，該路線面臨因惡意軟件的字節(jié)序列較長(zhǎng),，直接輸入模型進(jìn)行訓(xùn)練,，導(dǎo)致時(shí)間和空間開(kāi)銷(xiāo)巨大的挑戰(zhàn)。從形式上看,，字節(jié)序列分類(lèi)任務(wù)類(lèi)似于時(shí)間序列分類(lèi)任務(wù),，借鑒其研究成果已被證明極具挑戰(zhàn)［12］。惡意軟件通常包含數(shù)十萬(wàn)到數(shù)百萬(wàn)長(zhǎng)度的字節(jié)序列,，以100萬(wàn)長(zhǎng)度的字節(jié)序列為例,，其相當(dāng)于T=1 000 000步長(zhǎng)的時(shí)間序列，而已知的最長(zhǎng)時(shí)間序列分類(lèi)任務(wù)步長(zhǎng)≤16 000［13］,，這限制了現(xiàn)有時(shí)間序列分類(lèi)模型的直接應(yīng)用,。目前為止，能處理這種極端長(zhǎng)度字節(jié)序列分類(lèi)任務(wù)的實(shí)現(xiàn)是MalConv［11］,，其通過(guò)簡(jiǎn)潔的模型設(shè)計(jì),，可以處理T=2 000 000步長(zhǎng)的字節(jié)序列。遺憾的是,，MalConv的訓(xùn)練開(kāi)銷(xiāo)極大,，例如在Ember［14］數(shù)據(jù)集60萬(wàn)樣本上訓(xùn)練該模型，128 GB顯存的DGX1需要消耗一個(gè)月的時(shí)間,。盡管MalConv2［12］通過(guò)優(yōu)化池化降低了訓(xùn)練的顯存開(kāi)銷(xiāo)，但訓(xùn)練的時(shí)間開(kāi)銷(xiāo)依然很大,。本文針對(duì)上述如何提高字節(jié)序列分類(lèi)模型的訓(xùn)練效率展開(kāi)研究,。通過(guò)引入離散傅里葉變換［15］分析文件字節(jié)序列的頻率分量發(fā)現(xiàn)，字節(jié)序列中的能量主要集中在低頻部分,。本文通過(guò)截取低頻分量來(lái)縮短輸入字節(jié)序列的長(zhǎng)度,，進(jìn)而提出基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)方法。核心的設(shè)計(jì)思路為：設(shè)計(jì)頻域采樣策略,，保留字節(jié)序列中的主要低頻分量,，合成新的短信號(hào)，從而實(shí)現(xiàn)訓(xùn)練效率的提高,。Windows和Android公開(kāi)惡意軟件數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,，與最先進(jìn)的基于原始字節(jié)序列的MalConv2［12］相比，本文提出的方法與其分類(lèi)效果相當(dāng),，且將模型的訓(xùn)練時(shí)間和GPU顯存占用分別降低了90%和50%以上,。綜上，本文的主要貢獻(xiàn)如下：（1）提出了一種基于字節(jié)序列頻域采樣的惡意軟件分類(lèi)方法,，通過(guò)設(shè)計(jì)頻域采樣策略,，減小輸入字節(jié)序列的長(zhǎng)度，實(shí)現(xiàn)模型訓(xùn)練效率的提高,。（2）在公開(kāi)數(shù)據(jù)集上進(jìn)行了驗(yàn)證,，結(jié)果表明,，提出的惡意軟件分類(lèi)方法與最先進(jìn)的基于原始字節(jié)序列的方法分類(lèi)效果相當(dāng)，且能將模型的訓(xùn)練時(shí)間和GPU顯存占用大幅降低,。（3）分析了字節(jié)序列頻域采樣策略中采樣長(zhǎng)度的影響,，并對(duì)未來(lái)的研究方向進(jìn)行了討論。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://wldgj.com/resource/share/2000006296


作者信息：

蔣永康,，孫遜,，楊玉龍

（貴州航天計(jì)量測(cè)試技術(shù)研究所，貴州貴陽(yáng)550009）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。