研究Heterogeneous Graph Matching Networks用于未知恶意软件检测

摘要

当前，恶意软件攻击已逐步侵入众多信息系统。传统依赖特征签名的恶意检测技术仅能识别已收录在库中的已知恶意程序，并且攻击者可通过二进制混淆等手段进行规避。然而，基于行为分析的方法则高度依赖于恶意样本的训练数据，同时训练过程往往需要付出高昂的成本。为应对现有技术所存在的诸多限制，研究者设计出MatchGNet，这是一种异质图匹配网络，能够有效学习图结构的表示方式并实现相似性度量。此外，研究者还构建了一套针对模型的系统化评估体系，可在保持较低误报率的前提下有效识别恶意攻击。实验结果表明，MatchGNet相较于当前最先进的算法表现更为优越，在确保漏报率为零的同时，将误报率降低了50%。

Introduction

在现代工业领域，如金融服务和零售服务等行业中，信息系统已发挥出关键性作用，而网络安全则在日常系统管理中占据着重要地位。当前网络攻击形式多样，例如造成经济损失以及泄露用户敏感信息等。其中，恶意攻击最为普遍，在众多企业与组织中广泛存在。一项研究指出，在2016年至2017年期间，98%的企业均遭受过恶意攻击，且这些企业的平均攻击成本约为240万美元。

针对恶意攻击的检测方法主要分为两类：一类是基于签名的检测方法；另一类是基于行为的检测方法。基于签名的检测方式通过查询已有恶意数据库中的特征标识来判断是否为某种恶意攻击。由于这种方法执行效率较高，因此被广泛