Sequentieller embeddingsbasierter Aufmerksamkeits- (SEA) Klassifikator für die Malware-Klassifikation

Der enorme Anstieg intelligenter Geräte hat eine Vielzahl von Sicherheitsbedrohungen mit sich gebracht. Eine der auffälligsten Bedrohungen ist schädliche Software, auch bekannt als Malware. Malware besitzt die Fähigkeit, Geräte zu beschädigen und ganze Netzwerke zum Zusammenbruch zu bringen. Daher ist ihre frühzeitige Erkennung und Abwehr von entscheidender Bedeutung, um katastrophale Folgen zu vermeiden. In dieser Arbeit präsentieren wir eine Lösung zur Malware-Erkennung, die state-of-the-art-Techniken des Natural Language Processing (NLP) nutzt. Unser Hauptaugenmerk liegt auf der Entwicklung eines leichtgewichtigen, dennoch leistungsfähigen Klassifizierers für die Malware-Erkennung, der sowohl auf ressourcenbeschränkten Geräten als auch auf leistungsfähigen Maschinen eingesetzt werden kann. Unser vorgeschlagener Modell wurde auf einem Benchmark-Datensatz getestet und erreichte eine Genauigkeit von 99,13 Prozent sowie einen Log-Loss-Wert von 0,04.