Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling

要約

動的な環境におけるマルウェア分類は、マルウェアデータの統計的特性が時間と共に進化するコンセプトドリフトにより、検出努力を複雑にするという大きな課題を呈する。この問題に対処するため、マルウェア分類の精度と適応性を向上させる遺伝的アルゴリズムで強化されたディープラーニングフレームワークを提案する。我々のアプローチは、進化するマルウェアの脅威に対する頑健性を確保しながら、ディープラーニングモデルを継続的に改良するために、遺伝的アルゴリズム内に突然変異操作とフィットネススコア評価を組み込んでいる。実験結果は、このハイブリッド手法が分類性能と適応性を大幅に向上させ、従来の静的モデルを上回ることを示している。我々の提案するアプローチは、刻々と変化するサイバーセキュリティランドスケープにおけるリアルタイムのマルウェア分類のための有望なソリューションを提供する。

要約(オリジナル)

Malware classification in dynamic environments presents a significant challenge due to concept drift, where the statistical properties of malware data evolve over time, complicating detection efforts. To address this issue, we propose a deep learning framework enhanced with a genetic algorithm to improve malware classification accuracy and adaptability. Our approach incorporates mutation operations and fitness score evaluations within genetic algorithms to continuously refine the deep learning model, ensuring robustness against evolving malware threats. Experimental results demonstrate that this hybrid method significantly enhances classification performance and adaptability, outperforming traditional static models. Our proposed approach offers a promising solution for real-time malware classification in ever-changing cybersecurity landscapes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL