摘要
尽管传统的恶意软件检测机器学习方法主要依赖于人工设计的特征，这些特征基于领域专家的知识，而端到端学习方法则以原始可执行文件作为输入，试图从中自动学习一组描述性特征，但后者在数据量有限或数据集存在不平衡等问题时表现可能不佳。本文提出了一种名为HYDRA的新框架，通过融合多种类型的特征，旨在揭示不同模态之间的关联关系，以解决恶意软件检测与分类任务。该方法从多种数据源中学习，最大限度地发挥多种特征类型的优势，从而充分反映恶意软件可执行文件的内在特性。我们设计了一种基线系统，结合了人工特征工程与端到端学习组件，以兼顾特征工程与深度学习的优点，实现对恶意软件特征的有效表征。在微软恶意软件分类挑战赛（Microsoft Malware Classification Challenge）基准上的大量实验分析表明，所提出的方案在性能上可与文献中主流的梯度提升方法相媲美，同时在检测效果上显著优于现有的深度学习方法。