PulseAugur
中
实时 06:27:23
English(EN) A Multi-task Mixture of Experts Framework for Malware Classification, Packing Detection, and Family Attribution

新的专家混合框架增强恶意软件分析能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种利用专家混合（MoE）架构的用于恶意软件分析的新型多任务框架。该系统同时处理恶意软件家族分类、打包检测以及恶意软件与良性软件的识别。该框架使用来自可移植可执行文件的EMBER特征集和原始字节数组进行了评估，其中Multi-Gate MoE变体在对抗变异方面表现出卓越的性能和鲁棒性。 AI

影响 这项研究可能通过利用专门的AI模型，带来更强大、更具可扩展性的恶意软件检测系统。

排序理由 该集群包含一篇详细介绍恶意软件分析新技术的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的专家混合框架增强恶意软件分析能力

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Jithin S., Roshin Sleeba C., Anvin Mariya P. B., Asmitha K. A., Vinod P., Serena Nicolazzo, Antonino Nocera ·

    一种多任务专家混合框架，用于恶意软件分类、打包检测和家族归属

    arXiv:2606.30572v1 Announce Type: cross Abstract: Malware classification remains a challenging problem due to its inherent heterogeneity, the presence of packed binaries, and the diverse distribution of malware families. Traditional single-model detection mechanisms often fail to…

  2. arXiv cs.AI TIER_1 English(EN) · Antonino Nocera ·

    用于恶意软件分类、打包检测和家族归属的多任务专家混合框架

    Malware classification remains a challenging problem due to its inherent heterogeneity, the presence of packed binaries, and the diverse distribution of malware families. Traditional single-model detection mechanisms often fail to generalize across such diverse data, leading to d…

相关实体

相关话题