ARSNet：一种新型恶意软件可视化检测方法

《IEEE Access》：ARSNet: A Novel Malware Visualization Detection Method

　　

摘要：

恶意软件检测在网络安全领域仍然是一个重大挑战。为了解决这个问题，基于可视化的方法将二进制代码映射成图像表示，以便利用视觉特征进行快速识别。这种方法已成为网络安全中自动化威胁检测的一个非常有前景的范式。现代深度学习模型通常能够实现较高的整体准确率。然而，这一指标往往掩盖了在长尾分布场景下性能严重下降的问题。在这种情况下，即使是最先进的视觉变换器（ViTs）也无法泛化到数据稀缺的少数类恶意软件。为了解决这种严重的类别不平衡问题，本文提出了一种名为ARSNet的快速恶意软件检测方法。通过将BASA模块与DHM损失函数相结合，ARSNet能够有效提取具有区分性的细粒度特征，并自适应地重新平衡难样本的学习权重。实验结果表明，ARSNet在解决数据稀缺问题的同时，保持了高达98.6%的竞争性整体准确率。此外，与先进的基线和最先进的方法相比，ARSNet将少数类恶意软件的召回率提高了23%以上。这一改进为抵御不平衡的恶意软件威胁提供了强大的防御能力。