malware detection
PulseAugur coverage of malware detection — every cluster mentioning malware detection across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
硬件性能计数器通过机器学习增强恶意软件检测能力
研究人员开发了一种利用硬件性能计数器（HPCs）和机器学习分类器进行恶意软件检测的新方法。该方法旨在通过分析处理器在应用程序运行时收集的低级性能特征来增强系统安全性。通过采用集成学习技术，该系统可以用较少数量的HPCs实现高检测准确率，其性能优于需要显著更多数据的标准分类器。
-
可解释的Tsetlin机器框架在PDF恶意软件检测中达到98%的准确率
研究人员开发了一个新的可解释的Tsetlin机器（TM）框架，用于检测嵌入在PDF文件中的恶意软件。该方法使用静态分析从PDF中提取特征，而不执行它们，然后应用基于规则的学习将文档分类为良性或恶意。该框架在RIT-PDFMal-2026数据集上达到了98.02%的准确率，优于其他几种机器学习分类器。其主要优点包括具有竞争力的检测性能、计算效率和固有的可解释性，使其成为现实世界PDF恶意软件检测的实用解决方案。
-
研究人员提出用于恶意软件检测的可解释图神经网络集成模型
研究人员开发了一种新颖的集成框架，使用堆叠图神经网络（GNN）来改进恶意软件检测。该方法从可执行文件中动态提取控制流图，并使用多个GNN基础学习器来捕获多样化的行为特征。一个基于注意力的元学习器聚合预测，并通过量化每个基础模型的贡献来提供解释，从而增强了可解释性和鲁棒性。
-
新AI方法应对不断演变的安卓恶意软件检测
研究人员开发了新的方法来应对安卓恶意软件检测系统中的概念漂移问题，该问题是指模型性能会因恶意软件特征的演变而随时间下降。一种方法，“使用自监督和强化学习的概念漂移适应”，利用自监督学习来获得稳定的表示，并利用强化学习来选择具有成本效益的维护操作。另一种方法，“SEED：用于在预算内应对概念漂移的半监督持续恶意软件检测”，结合了半监督持续学习和主动学习，以在有限的标记数据下提高检测能力。第三项研究，“时间概念漂移下的对抗性漏洞”，纵向评…
-
Victor Chang教授因在网络安全和隐私领域的AI领导力而获奖
Victor Chang教授因其在负责任的AI开发方面所做的贡献，被评为年度网络安全专业人士。他的工作强调联邦学习和隐私保护技术，特别是在保护关键基础设施方面。Chang教授牵头了一个英日合作项目，该项目开发了一个联邦恶意软件检测系统，准确率达到96.8%，同时保护了用户隐私。