A survey on machine learning-based malware detection in executable files
作者：互联网
A survey on machine learning-based malware detection in executable files
参考文献
Jagsir Singh, Jaswinder Singh, Journal of Systems Architecture, https://doi.org/10.1016/j.sysarc.2020.101861
基于机器学习的可执行文件恶意软件检测研究综述
恶意软件检测技术
（2019年）[73]解释了各种不同的功能，各种研究人员已使用这些功能来开发恶意软件检测系统，例如字节序列，操作码，字符串，API调用，PE标头信息，Windows注册表，文件系统访问，AV/沙箱提交，CPU寄存器，功能长度，网络活动和生成的异常。
基于签名的恶意软件检测技术
（2007）[78]操作码
（2007）[79]控制流图
（2007）[80]n-gram字节 概率神经网络技术
从在线VX Heavens数据库中提取了三类恶意软件
https://vx-underground.org/archive/VxHeaven/vl.php.html
（2008）[81]操作码 机器学习 DT NB ANN Adaboost
（2009）[82]字符串
（2009）[83]API调用 机器学习
（2010）[84]控制流图
（2010）[85]基于文本的模式匹配方法
（2011）[86]便携式可执行文件（PE）标头 支持向量机SVM
（2012）[87]N-gram操作码序列
（2012）[31]API调用
使用IDApro反汇编程序提取恶意软件的API调用
（2012）[87]扩展了（2009）[81] 操作码n-gram序列
训练了八种类型的分类器：逻辑回归、人工神经网络、朴素贝叶斯、决策树、随机森林、支持向量机、Boosted决策树和Boosted朴素贝叶斯。
（2013）[88]数据相关的API图 最长公共子序列（LCS）算法
（2014）[74]PE标头信息 DT NB LR
（2014）[89]n-gram 机器学习
（2016）[90]API调用 PDF和SWF 机器学习
（2016）[91]PE标头信息 SGD SVM CART
（2016）[92]操作码序列 使用隐马尔可夫模型实现了聚类算法
（2016）[33]n-gram字节
（2016）[21]N-gram操作码 图像表示
（2017）[93]控制流图
（2017）[34]DLL导入 十六进制转储和汇编代码
（2017）[2]检测APT（高级持久威胁）恶意软件
（2017）[34]段落向量 SVM KNN
（2017）[94]控制流图 系统调用依赖性图
（2018）[95]将整个二进制文件转换为灰度图像 CNN
（2020）[96]窗口可执行文件PE标头信息 SVM
（2016）[97]操作码序列
（2017）[2]和（2016）[98]使用API调用，但应用了不同的机器学习和表示方法，并产生了更好的检测率。
基于行为的恶意软件检测技术
（2014）[105]数据相关API图
（2015）[76] API调用和网络活动
（2015）[106]注册内容 API调用
（2015）[64] Window API调用
（2015）[107] API调用顺序
（2016）[108] API调用
（2016）[109]以图像形式表示恶意软件
（2016）[110] API调用顺序
（2016）[77] API调用顺序
（2017）[113]系统对象
（2017）[56] API调用
（2017）[111]依赖图
（2017）[112] API调用顺序
（2017）[114]注册表 网络 文件系统 API调用顺序
（2017）[66]运行时功能
（2018）[115]行为伪像
（2019）[117]使用Parsa沙箱的行为特征
（2019）[118] API调用序列
（2019）[119]网络伪像
（2020）[122]网络功能
（2020）[120]行为特征
（2020）[121]内存图片
混合恶意软件检测技术
标签：files,malware,调用,恶意软件,detection,操作码,API,2017,2016 来源： https://blog.csdn.net/weixin_47038938/article/details/113136231