基于机器学习算法的恶意代码检测分析.pptVIP

* * * * * * 关于恶意代码检测的想法 根据恶意代码API调用序列特征生成动作曲线，多个动作曲线重合概率较多的点筛选出，这些点称为可以动作点，将可疑动作点拟合为可疑动作曲线，根据可疑动作曲线的重合率判断恶意代码，利用贝叶斯算法测试。 1.典型恶意代码API调用序列 2.可疑动作曲线的优点在于相比于典型恶意代码API，减少API序列的随机性，进而减少漏判误判。 关于恶意代码检测的想法 Polymorphic（多态化）模糊流程 关于恶意代码检测的想法 提取恶意代码动态行为特征分析检测基本架构如左图所示。 第一步：搭建运行恶意代码的虚拟环境，便于加壳等一些处理过的恶意代码分析。 第二步：虚拟环境中执行恶意代码，并提取恶意代码动态行为语义特征。本课题选取恶意代码执行期间调用的API序列作为语义特征。 第三步:使用提取的语义特征进行模型建立，即组织语义信息建立语义模型。本课题对运行API调用序列加工，抽象为代表语义特征的动作曲线。 第四步：建立模型库，采用朴素贝叶斯进行检测。 注释：后期会考虑贝叶斯计算使用MapReduce进行并行计算优化，提升计算效率。 机器学习算法检测恶意代码 尝试编写一串指令来了解正常主机处理器和内存使用情况，然后同被感染主机上的处理器和内存使用情况进行比较。一旦发现这两组数据集中有一些不同的信息，就可以向计算机发送指令将这些信息应用到收集到从未知/未分类的系统收集的数据上。这样，让计算机来判断系统是否感染上恶意代码。 机器算法恶检测意代码的思路： cpu、内存使用情况检测恶意代码 实现方法 将记录的所有系统的内存和处理器的使用情况保存在一个execel文件中，host记录了主机名，proc和mem分别记录了cpu和内存的使用情况，而state记录了是否感染恶意代码，部分数据如图所示。 实现方法 按照上述算法的第一步，即分别计算被感染和正常系统中处理器和内存的平均使用情况。 R代码: inf - colMeans(train[train$state==Infected, c(proc, mem)]) nrm - colMeans(train[train$state==Normal, c(proc, mem)]) print(inf) ## proc mem ## 1.152025 1.201779 print(nrm) ## proc mem ## -0.8701412 -0.9386983 从注释中输出的均值容易发现，感染和未感染恶意代码的均值间差异较大，所以这个方法可以较好的实现算法。 实现方法 （1）定义和训练一个算法： a) 计算一直感染恶意软件系统的处理器和内存的平均使用情况。 b 计算已知正常的系统的处理器和内存平均使用情况。 （2）使用处理器和内存使用情况来预测未知系统是否感染恶意软件： a）如果处理器和内存使用情况更接近感染主机的平均情况，将该系统标记为已感染。 b）如果处理器和内存使用情况更接近正常主机的平均使用情况，将该系统标记为正常。 注释：一个分类器就是一组规则，或一个决策模型，它们是通过对一组训练数据进行学习而产生的。 实现方法 首先，加载数据并进行检查。将数据进行归一化处理后，这些数字保持在同一尺度内。为了进一步探索这些数据，可将这些数据描绘出来。给基于染而已代码的状态可以比较并区分处理器和内存数据，如图所示。 R代码： library(ggplot2) gg - ggplot(memproc, aes(proc, mem, color=state)) gg - gg + scale_color_brewer(palette=Set2) gg - gg + geom_point(size=3) + theme_bw() print(gg) 注意：归一化化定义：归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。线性函数转换： y=(x-MinValue)/(MaxValue-MinValue) 实现方法 实现方法 第二步，对数据进行预测。从需要检测的数据中，选取其中的“proc”和“mem”值，然后计算这些值与刚才在算法训练过程中得到的均值距离有多远。在这里，我们采用了几何中的勾股定理：a2+b2=c2，公式中a和吧是三角的两条边，c是斜边。此处，a是训练和你测试得到的两个proc值的差，b是训练和测试得到的mem值的差。得到这两个距离后，仅作比较即可。 R代码： predict.malware - function(data) { proc - as.numeric(