Resumen

El creciente volumen y tipos de malwares suponen una gran amenaza para la seguridad de la red. La detección binaria de malware con redes neuronales convolucionales profundas (CNN) ha demostrado ser un método eficaz. Sin embargo, los métodos de clasificación de malware existentes basados en CNNs son insatisfactorios a día de hoy debido a su escasa capacidad de extracción, a la insuficiente precisión de la clasificación de malware y al elevado coste del tiempo de detección. Para resolver estos problemas, se propuso un nuevo enfoque, a saber, las redes neuronales convolucionales de fusión de características multiescala (MFFC), para lograr una clasificación eficaz del malware basada en la visualización del malware utilizando el aprendizaje profundo, que puede defenderse de las variantes de malware y de los malwares confusos. El enfoque primero convierte los binarios de código de malware en imágenes en escala de grises, y luego, estas imágenes se normalizarán en tamaño utilizando el modelo MFFC para identificar las familias de malware. Se realizaron experimentos comparativos para verificar el rendimiento del método propuesto. Los resultados indican que el MFFC destaca entre los métodos avanzados recientes con una precisión del 98,72 y un coste medio de 5,34 milisegundos en el conjunto de datos Malimg. Nuestro método puede identificar eficazmente el malware y detectar las variantes de las familias de malware, que tiene una excelente capacidad de extracción de características y una mayor precisión con un menor tiempo de detección.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neural convolucional, familia de malware, clasificación de malware, tipo de malwares, precisión de malware, métodos de clasificación de malware, variante de malware, coste de detección, menor tiempo de detección, métodos avanzados recientes
• Keywords:convolutional neural network, malware family, classification of malware, type of malwares, accuracy of malware, malware classification methods, variant of malware, cost of detection, lower detection time, recent advanced methods