Pytorch实现之促进恶意软件图像合成GAN
简介
简介：恶意软件攻击数量激增（每天新增超45万样本），传统基于签名的检测方法对零日攻击（未见过的恶意软件）无效，且特征工程耗时。现有恶意软件图像分类方法面临类别不平衡（如Microsoft Malware Challenge和Malimg数据集），导致模型过拟合或泛化能力差。因此作者提出一种新型生成对抗网络（GAN），用于合成高质量的恶意软件图像，解决类别不平衡问题，生成图像接近真实样本，模拟未来可能出现的零日攻击样本。
论文题目：MIGAN: GAN for facilitating malware image synthesis with improved malware classification on novel dataset（MIGAN：在新数据集上改进恶意软件分类，促进恶意软件图像合成的GAN）
期刊：Expert Syst