Enhanced Malware Prediction and Containment Using Bayesian Neural Networks
Notice bibliographique
Résumé
In this paper, we present an integrated framework leveraging natural language processing (NLP) techniques and machine learning (ML) algorithms to detect malware at its early stage and predict its upcoming actions. We analyze application programming interface (API) call sequences in the same way as natural language inputs. Specifically, the proposed model employs Bi-LSTM neural networks and Bayesian neural networks (BNN) for this analysis. In the first part, a Bagging-XGBoost algorithm interprets consecutive API calls as 2-gram and 3-gram strings for early-stage malware detection and feature importance analysis. Additionally, a Bi-LSTM predicts the upcoming actions of an active malware by estimating the next API call in a sequence. Two separate Bayesian Bi-LSTMs are then developed in the second part to complement the above analysis. The first architecture is for early-stage malware detection, and the other is to predict the following action of active malware. The BNN not only predicts future malware actions but also assesses the uncertainty of each prediction. It enhances the process by providing the second and third most probable predictions, increasing system reliability and effectiveness. Our unified framework demonstrates efficiency in malware detection and action prediction, marking a significant advancement in countering malware threats. The Bayesian Bi-LSTM developed for predicting the next API call has an average accuracy of 89.53%. Additionally, the accuracy of the framework for malware detection at the early stage is 96.44%, demonstrating the superior performance of the proposed framework.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».