跳到正文
arXiv cs.AI· Raguvir S, Bojing Li, Prajna Bhandary, Charles Nicholas·· 4 小时前AI 评分22

恶意软件聚类综述:分类体系、挑战与评估指标

Malware Clustering in the Wild: Taxonomy, Challenges, and Evaluation Metrics

AI 导读

一篇综述将现有恶意软件聚类研究整理为七类方法:基于质心、层次、密度、分布、混合类型、模糊以及 AI 驱动的方法。文章同时汇总了聚类研究中常用的公开恶意软件数据集,并考察了由这些数据集衍生的特征表示,旨在厘清当前研究格局并指出未来方向,包括 AI 驱动方法如何支撑大规模、可复现的分析。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:随着恶意软件在数量、多样性和复杂性上持续增长,聚类已成为分析大型恶意软件语料库的关键技术。聚类能够发现结构关系、行为模式和演化趋势,并被广泛用于对未知样本进行分组、推断恶意软件家族边界以及识别新型变种。然而,现有研究仍然较为分散,采用了多种聚类技术,却缺乏一个系统梳理已有工作或明确指出现有文献空白的统一视角。本综述通过将以往的恶意软件聚类研究归纳为七类来填补这一空白:基于质心、基于层次、基于密度、基于分布、混合类型、模糊以及 AI 驱动的方法。此外,本综述还总结了聚类研究中常用的公开恶意软件数据集,并考察了从这些数据集中提取的特征表示。我们的目标是厘清当前研究格局,并概述恶意软件聚类未来研究中有前景的方向,包括 AI 驱动方法可能如何影响大规模且可复现的分析。
主题: 密码学与安全(cs.CR);人工智能(cs.AI)
引用为: arXiv:2611.02380 [cs.CR]
  (或本版本的 arXiv:2611.02380v2 [cs.CR])
  https://doi.org/10.48550/arXiv.2611.02380

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Bojing Li [查看邮箱]
[v1] 2026年11月2日星期一 01:47:18 UTC(241 KB)
[v2] 2026年11月16日星期一 21:42:15 UTC(4,433 KB)

来源:arXiv cs.AI · arxiv.org