Resumen

La creciente sofisticación de variantes de malware como el cifrado, la polimorfia y la ofuscación exige una nueva tecnología de detección y clasificación. En este documento, se propone MalDeep, un novedoso marco de clasificación de malware basado en aprendizaje profundo y visualización de texturas, contra variantes maliciosas. A través del mapeo de código, la partición de texturas y la extracción de texturas, podemos estudiar la clasificación de malware en un nuevo espacio de características de representación de texturas de imagen sin necesidad de desencriptación y desensamblaje. Además, construimos un clasificador de malware en una red neuronal convolucional con dos capas convolucionales, dos capas de reducción de tamaño y muchas capas de conexión completa. Adoptamos el conjunto de datos del Desafío de Clasificación de Malware de Microsoft que incluye 9 categorías de familias de malware y 10868 muestras de variantes para entrenar el modelo. Los resultados del experimento muestran que MalDeep tiene una tasa de precisión más alta para la clasificación

• Materias:Cifrados de bloques Seguridad cibernética Malware Ocultación de datos Cifrado homomórfico
• Subjects:Block ciphers Cyber security Malware Data hiding Homomorphic encryption
• Palabras claves:Variantes de malware; Tecnología de detección; Marco MalDeep; Aprendizaje profundo; Visualización de texturas; Red neuronal convolucional.
• Keywords:Malware variants; Detection technology; MalDeep framework; Deep learning; Texture visualization; Convolutional neural network