针对Windows恶意软件行为的弹性动态分析技术：用于发现恶意软件的行为混淆机制

针对行为基恶意软件分析模型易受混淆攻击的缺陷，提出MAMBA+方法，通过设计新型损失函数和自适应嵌入机制处理混淆调用，实验表明其在七种已知混淆及三种未知攻击下性能优于现有方法。

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

在本文中，我们重点关注基于行为的恶意软件分析模型的鲁棒性，这是由于恶意软件可执行文件的高变异率导致的，这种高变异率削弱了传统的基于签名的方法以及基于行为的 AI 解决方案。为应对这些挑战，我们提出了 MAMBA⁺，这是一种抗混淆的动态分析方法，专为揭示恶意软件行为而设计。我们收集了一系列行为混淆攻击，旨在破坏基于行为的模型。MAMBA⁺ 的核心概念是将混淆后的调用视为受干扰的数据，并引入了一种新的损失函数，以有效平衡真实预测和处理这些干扰之间的关系。为了便于使用这种方法，MAMBA⁺ 设计了适应性的嵌入机制，将 API 调用的轨迹转换为高维向量，用于注意力计算。通过一项包含七种混淆技术和三种未见过的攻击的全面实证研究，我们揭示了 MAMBA⁺ 的重要定性特性，并定量证明了其在性能和鲁棒性方面优于所有对比方法。

AI 摘要

AI 生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助发现、评估相关性，并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍然是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须拥有高级访问权限。