test

Bài viết

Memory-Resident Malware Detection via a Hybrid Deep Learning Framework

DOI: 10.54654/isj.v3i26.1177
Từ khóaMã độckhung mô hình laiCIC-MalMem-2022Học sâu

Tóm tắt

 Phát hiện phần mềm độc hại cư trú trong bộ nhớ là một thách thức an ninh mạng quan trọng, đặc biệt trước các kỹ thuật tàng hình như Living-off-the-Land (LotL). Bài báo này đề xuất một khung học sâu lai để phát hiện mã độc từ dữ liệu hành vi bộ nhớ được biểu diễn dưới dạng đặc trưng bảng (tabular) có độ dài cố định. Khung mô hình nhấn mạnh một quy trình xử lý dữ liệu hiệu quả thay vì một kiến trúc mô hình quá phức tạp. Khung gồm ba giai đoạn: (1) lựa chọn đặc trưng và chuẩn hóa Z-score bằng Extreme Gradient Boosting (XGBoost) và StandardScaler, (2) cân bằng dữ liệu và làm sạch bằng Synthetic Minority Over-sampling Technique (SMOTE) và Edited Nearest Neighbor (ENN), và (3) huấn luyện bộ phân loại dựa trên Transformer Encoder nhằm trích xuất các biểu diễn phi tuyến tính cấp cao từ không gian đặc trưng đã được ổn định, tận dụng các mạng truyền thẳng (Feed-Forward Networks) mạnh mẽ, kết hợp Layer Normalization, kết nối dư và hàm mất mát Focal Loss để tăng ổn định huấn luyện trong bối cảnh mất cân bằng lớp. Quá trình huấn luyện tiếp tục sử dụng bộ điều chỉnh tốc độ học StepLR và kỹ thuật dừng sớm (Early Stopping) để đảm bảo hội tụ và hạn chế quá khớp. Trên bộ dữ liệu CIC-MalMem-2022 (gồm một lớp lành tính và 15 lớp mã độc), khung đề xuất đạt 76.62% Accuracy và 76.35% F1-score, vượt trội so với các mô hình nền truyền thống. Những kết quả này cho thấy tính hiệu quả của khung mô hình cho phòng thủ chủ động dựa trên phân tích hành vi bộ nhớ

Lượt tải theo tháng

0265112/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Lê Phú Minh, Đỗ Đình Quang, Hoàng Việt Long, Nguyễn Thị Kim Sơn (2025). Memory-Resident Malware Detection via a Hybrid Deep Learning Framework. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(26), 50-61. https://doi.org/10.54654/isj.v3i26.1177

Tài liệu tham khảo

  1. 1.A. Bensaoud, J. Kalita, and M. Bensaoud, “A survey of malware detection using deep learning,” Machine Learning with Applications, vol. 16, p. 100546, Jun. 2024. doi: doi.org/10.1016/j.mlwa.2024.100546.
  2. 2.T. Leng, Y. Pan, L. Zhao, A. Yu, Z. Zhu, L. Cai, and D. Meng, “MemInspect: Memory Forensics for Investigating Fileless Attacks,” in Proceedings of the IEEE 22nd International Conference on Trust, Security and Privacy in Computing and
  3. 3.Communications (TrustCom), Exeter, United Kingdom, 2023, NJ: IEEE, pp. 946–955. doi: doi.org/10.1109/TrustCom60117.2023.00134.
  4. 4.P. Maniriho, A. N. Mahmood, and M. J. M. Chowdhury, “MeMalDet: A memory analysis-based malware detection framework using deep autoencoders and stacked ensemble under temporal evaluations,” Computers & Security, vol. 142, p. 103864, 2024. doi: doi.org/10.1016/j.cose.2024.103864.
  5. 5.T. Carrier, P. Victor, A. Tekeoglu, and A. H. Lashkari, “Detecting Obfuscated Malware using Memory Feature Engineering,” in Proceedings of the 8th International Conference on Information Systems Security and Privacy (ICISSP), Online Streaming, 2022, Portugal: SCITEPRESS, pp. 177–188. doi: doi.org/10.5220/0010908200003120.
  6. 6.S. R. Safavian and D. Landgrebe, “A Hybrid SMOTEENN Method for Malware Detection in Imbalanced Datasets,” Computers & Security, vol. 128, p. 102931, 2023. doi: doi.org/10.1016/j.cose.2023.102931.
  7. 7.A. Gaur, P. Mishra, P. Vinod, A. Singh, V. Varadharajan, U. Tupakula, and M. Conti, “vDefender: An explainable and introspectionbased approach for identifying emerging malware behaviour at hypervisor-layer in virtualization environment,” Computers and Electrical Engineering, vol. 120, Part B, p. 109742, 2024. doi: doi.org/10.1016/j.compeleceng.2024.109742.
  8. 8.V. Borisov, T. Leemann, K. Seßler, J. Haug, M. Pawelczyk, and G. Kasneci, “Deep Neural Networks and Tabular Data: A Survey,” IEEE Transactions on Neural Networks and Learning Systems, vol. 35, no. 6, pp. 7499–7515, 2024. doi: doi.org/10.1109/TNNLS.2022.3229161.
  9. 9.A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. Kaiser, and I. Polosukhin, “Attention Is All You Need,” in Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA, 2017, NY: Curran Associates, Inc., pp. 5998–6008. doi: doi.org/10.48550/arXiv.1706.03762.
  10. 10.T.-Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal Loss for Dense Object Detection,” in 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017, NJ: IEEE, pp. 2999–3007. doi: doi.org/10.1109/ICCV.2017.324.
  11. 11.T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, CA, USA, 2016, NY: ACM, pp. 785–794. doi: doi.org/10.1145/2939672.2939785.
  12. 12.K. S. Roy, T. Ahmed, P. B. Udas, M. E. Karim, and S. Majumdar, “MalHyStack: A hybrid stacked ensemble learning framework with feature engineering schemes for obfuscated malware analysis,” Intelligent Systems with Applications, vol. 20, p. 200283, 2023. doi: doi.org/10.1016/j.iswa.2023.200283.
  13. 13.J. L. Ba, J. R. Kiros, and G. E. Hinton, “Layer normalization,” arXiv preprint arXiv:1607.06450, 2016. doi: doi.org/10.48550/arXiv.1607.06450.
  14. 14.K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, NJ: IEEE, pp. 770–778. doi: doi.org/10.1109/CVPR.2016.90.
  15. 15.Y. Song, D. Zhang, J. Wang, Y. Wang, Y. Wang, and P. Ding, “Application of deep learning in malware detection: a review,” Journal of Big Data, vol. 12, no. 99, pp. 1–23, 2025. doi: doi.org/10.1186/s40537-025-00999-6.
  16. 16.A. Galli, V. La Gatta, V. Moscato, M. Postiglione, and G. Sperlì, “Explainability in AI-based behavioral malware detection systems,” Computers & Security, vol. 143, p. 103842, 2024. doi: doi.org/10.1016/j.cose.2024.103842.
  17. 17.M. M. Alani, A. Mashatan, and A. M. Miri, “XMal: A lightweight memory-based explainable obfuscated-malware detector,” Computers & Security, vol. 133, p. 103409, 2023. doi: doi.org/10.1016/j.cose.2023.103409.
  18. 18.T. A. Tuan, P. S. Nguyen, P. N. Van, N. D. Hai, P. D. Trung, N. T. K. Son, and H. V. Long, “A novel framework for cross platform malware detection via AFSP and ADASYN-based balancing,” Computers and Electrical Engineering, vol. 128, p. 110625, 2025. doi: doi.org/10.1016/j.compeleceng.2025.110625.
  19. 19.P. S. Nguyen, P. N. Van, H. V. Long, and P. D. Trung, “An Efficient Framework for MultiClass Malware Classification in Cloud Environments,” Journal of Science and Technology on Information Security, vol. 1, no. 24, pp. 1–10, 2023. doi: doi.org/10.54654/isj.v1i24.1092.
  20. 20.M. M. Abualhaj, S. Al-Khatib, N. Al Shafi, I. Qaddara, and A. Hyassat, “Utilizing gray wolf optimization algorithm in malware forensic investigation,” Journal of Computer and Cognitive Engineering, vol. 00, no. 00, pp. 1–12, 2025. doi: doi.org/10.47852/bonviewJCCE52025053.
  21. 21.S. S. Shafin, G. Karmakar, and I. Mareels, “Obfuscated memory malware detection in resource-constrained IoT devices for smart city applications,” Sensors, vol. 23, p. 5348, 2023. doi: doi.org/10.3390/s23115348.

Bài viết liên quan