ترجمه فارسی مقاله PromptSAM+: تشخیص بدافزار بر اساس مدل Prompt Segment Anything

چکیده

Machine learning and deep learning (ML/DL) have been extensively applied in malware detection, and some existing methods demonstrate robust performance. However, several issues persist in the field of malware detection: (1) Existing work often overemphasizes accuracy at the expense of practicality, rarely considering false positive and false negative rates as important metrics. (2) Considering the evolution of malware, the performance of classifiers significantly declines over time, greatly reducing the practicality of malware detectors. (3) Prior ML/DL-based efforts heavily rely on ample labeled data for model training, largely dependent on feature engineering or domain knowledge to build feature databases, making them vulnerable if correct labels are scarce. With the development of computer vision, vision-based malware detection technology has also rapidly evolved. In this paper, we propose a visual malware general enhancement classification framework, `PromptSAM+’, based on a large visual network segmentation model, the Prompt Segment Anything Model(named PromptSAM+). Our experimental results indicate that ‘PromptSAM+’ is effective and efficient in malware detection and classification, achieving high accuracy and low rates of false positives and negatives. The proposed method outperforms the most advanced image-based malware detection technologies on several datasets. ‘PromptSAM+’ can mitigate aging in existing image-based malware classifiers, reducing the considerable manpower needed for labeling new malware samples through active learning. We conducted experiments on datasets for both Windows and Android platforms, achieving favorable outcomes. Additionally, our ablation experiments on several datasets demonstrate that our model identifies effective modules within the large visual network.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین و یادگیری عمیق (ML/DL) به طور گسترده در تشخیص بدافزار اعمال شده است ، و برخی از روش های موجود عملکرد قوی را نشان می دهد.با این حال ، چندین مسئله در زمینه تشخیص بدافزار ادامه دارد: (1) کار موجود اغلب بر دقت با هزینه عملی تأکید می کند ، به ندرت نرخ منفی مثبت و کاذب را به عنوان معیارهای مهم در نظر می گیرد.(2) با توجه به تکامل بدافزار ، عملکرد طبقه بندی کننده ها به مرور زمان کاهش می یابد ، و باعث می شود عملی بودن ردیاب های بدافزار بسیار کاهش یابد.(3) تلاش های مبتنی بر ML/DL قبلی به شدت به داده های دارای برچسب کافی برای آموزش مدل متکی است ، تا حد زیادی به مهندسی ویژگی یا دانش دامنه برای ساخت پایگاه داده های ویژگی وابسته است و در صورت کمبود برچسب های صحیح ، آنها را آسیب پذیر می کند.با توسعه بینایی رایانه ، فناوری تشخیص بدافزار مبتنی بر بینایی نیز به سرعت تکامل یافته است.در این مقاله ، ما یک چارچوب طبقه بندی تقویت کننده عمومی بدافزار بصری ، “Promptsam+” را بر اساس یک مدل تقسیم بندی بزرگ شبکه بصری ، مدل سریع هر چیز (به نام PromptSam+) پیشنهاد می کنیم.نتایج تجربی ما نشان می دهد که “Prictionsam+” در تشخیص و طبقه بندی بدافزار ، دستیابی به دقت بالا و نرخ پایین مثبت و منفی کاذب مؤثر و کارآمد است.این روش پیشنهادی از پیشرفته ترین فن آوری های تشخیص بدافزار مبتنی بر تصویر در چندین مجموعه داده استفاده می کند.”PromptSam+” می تواند پیری را در طبقه بندی کننده های بدافزار موجود در تصویر کاهش دهد و نیروی انسانی قابل توجهی را برای برچسب زدن نمونه های بدافزار جدید از طریق یادگیری فعال کاهش دهد.ما آزمایشاتی را در مجموعه داده ها برای سیستم عامل های ویندوز و Android انجام دادیم و به نتایج مطلوب رسیدیم.علاوه بر این ، آزمایش های فرسایش ما در چندین مجموعه داده نشان می دهد که مدل ما ماژول های مؤثر را در شبکه بصری بزرگ مشخص می کند.