Aktuelle Ansätze zur Erkennung und Klassifizierung von Schadsoftware basieren in der Regel auf zeitaufwändigen und wissensintensiven Prozessen, um Muster (Signatur) und Verhaltensweisen aus Schadsoftware zu extrahieren, die dann für die Identifikation verwendet werden. Darüber hinaus sind diese Signaturen oft auf lokale, zusammenhängende Sequenzen innerhalb der Daten beschränkt und ignorieren den Kontext ihrer Beziehung zueinander sowie den gesamten Kontext innerhalb der Schadsoftware-Datei. Wir präsentieren einen tiefen Lernbasierten Ansatz zur Klassifizierung von Schadsoftware, der kein spezialisiertes Fachwissen erfordert und auf einem rein datengetriebenen Ansatz basiert, um komplexe Muster und Merkmale zu identifizieren.