机器学习&恶意代码动态检测

目录

• 写在前面
• 1 基于API调用的统计特征
• 2 API序列特征
• 3 API调用图
• 4 基于行为的特征
• references：

写在前面

对恶意程序动态检测方法做了概述，

关于方法1和2可以参考阿里云恶意程序检测大赛；

方法3后面补充

方法4参考文末给出的文献；

1 基于API调用的统计特征

统计特征(23个)：

文件相关（3）	进程相关（4）	线程（5）	api调用（11）
文件操作次数文件pid跨度文件运行时间跨度	文件产生进程数进程出现次数比统计值（最大值、均值、标准差）	文件产生线程数线程出现次数比统计值（最大值、最小值、均值、标准差）	文件调用api种类数文件调用无重复api数文件调用api总数api 出现次数统计值（最大值、最小值、均值、标准差）api 参数信息熵统计值（最大值、最小值、均值、标准差）

2 API序列特征

可以使用各种序列分析方法，很多

1-gram tf-idf + ml

2-gram tf-idf + ml

word2vec*tf-idf +ml

fasttext

textcnn

transformer

3 API调用图

这个后面补充

4 基于行为的特征

文献中提到的方法：

文献中提到的方法

references：

【1】Behavior-based anomaly detection on big data https://ro.ecu.edu.au/cgi/viewcontent.cgi?article=1182&context=ism

【2】AMAL: High-fidelity, behavior-based automated malware analysis and classification https://www.sciencedirect.com/science/article/pii/S0167404815000425#bib37

【3】DTB-IDS: an intrusion detection system based on decision tree using behavior analysis for preventing APT attacks https://link.springer.com/content/pdf/10.1007/s11227-015-1604-8.pdf

标签：文件,调用,api,恶意代码,最大值,API,标准差,检测,动态
来源： https://www.cnblogs.com/gongyanzh/p/15800975.html