Cross-Platform Malware Classification: Fusion of CNN and GRU Models
Notice bibliographique
Résumé
Effective cross-platform malware categorization techniques are becoming more and more necessary as malware spreads across more systems.Conventional methods are primarily concerned with the static or dynamic aspects of malware, which often restricts their ability to identify and categorize malware on various operating systems.In this paper, we use both static and dynamic characteristics to present a unique deep learning-based method for cross-platform malware classification.Our work aims to identify the distinct features of malware on different operating systems, such as Windows, macOS, Android, and iOS.We provide a complete depiction of malware behavior by collecting both dynamic and static data, such as system calls and network traffic patterns, as well as file properties, API calls, and header information.Convolutional Neural Networks (CNN) and Gated Recurrent Units (GRU) are two components of our deep learning architecture that we use to address the inherent issues of cross-platform malware categorization.This fusion of networks enables us to effectively capture both spatial and temporal patterns present in malware samples, enhancing the accuracy of classification across platforms.To evaluate the performance of our proposed model, we employ benchmark datasets encompassing diverse malware families across different operating systems.The results demonstrate superior classification accuracy, precision, recall, and F-score compared to traditional machine learning approaches and single-feature-based models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».