A Structured State Space Sequence Model for Multi-Class Classification of Malware
该论文针对物联网（IoT）设备规模爆炸式增长所带来的恶意软件威胁，提出并验证了一种基于结构化状态空间序列模型（Structured State Space Sequence，S4）的多分类恶意软件检测与分类框架。研究背景是：预计到 2030
#malware-classification
共收录 9 条相关情报。
← 返回所有主题Poster: PGPNet: Classify APT Malware Using Prediction-Guided Prototype Network.
随着高级持续性威胁（APT）的日益普及，APT 恶意软件组织分类问题近年来受到更多关注。然而，以往的方法大多采用简单的分类器进行组织分类，忽略了两个关键问题：一是已披露的恶意软件样本数量稀疏导致分类偏差，二是大多数组织在恶意软件功能分布上存
Concept Drift Detection and Adaptive Retraining of Malware Classification Models
本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者
From Grim Reality to Practical Solution: Malware Classification in Real-World Noise.
恶意软件分类是网络安全中的重要任务，但实际数据集中常因标注人员缺乏专业知识而包含大量错误标签。以往研究表明，错误标签会严重影响机器学习模型的准确性。尽管在图像识别和文本挖掘领域，已有多种噪声学习方法被提出并取得显著效果，但它们在恶意软件分类
ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification
传统的恶意软件检测方法在面对混淆或未知威胁时泛化能力不足。本文提出 ThreatVisionAI，一种混合恶意软件家族分类框架，它集成了原始图像 CNN、基于小波的 CNN 和 Vision Transformer (ViT)，以捕获恶意软
A Multi-task Mixture of Experts Framework for Malware Classification, Packing Detection, and Family Attribution
恶意软件分类因二进制文件的异构性、加壳技术的存在以及恶意软件家族的多样化分布而极具挑战性。传统的单任务检测模型难以泛化到各类数据，尤其在面对混淆和稀有样本时性能下降严重。本文提出了一种基于混合专家（Mixture of Experts, M
Multi-View Decompilation for LLM-Based Malware Classification
本论文探讨了在缺乏源代码的情况下，利用大语言模型（LLM）对恶意软件进行二进制代码分类的问题。传统方法通常依赖单一反编译器生成的伪C代码作为LLM输入，但反编译器是有损的启发式工具，不同反编译器可能揭示同一二进制文件的不同特征。为此，作者构
Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning
本文针对恶意软件家族分类这一网络安全关键挑战，提出了一种可扩展的基于量子核的机器学习（QKML）框架。传统机器学习模型在面对结构相似且混淆的恶意软件样本时，多分类准确率较低且难以大规模部署。该框架首先从可执行文件中提取结构特征，通过监督线性
A Hybrid Approach For Malware Classification Using Secondary Features Fusion
随着恶意软件（包括变种和新型）数量快速增长，恶意软件的检测与缓解成为一个复杂问题。传统的恶意软件检测方法虽然能识别恶意软件，但无法将其归类到具体的家族，这阻碍了后续的针对性和有效响应。针对这一挑战，本文提出了一种混合方法，用于自动化恶意软件