Обзор методов обнаружения вредоносного программного обеспечения с использованием обучения представлений на графах

Обнаружение вредоносного программного обеспечения стало одной из наиболее актуальных задач в связи с увеличением количества и сложности вредоносных программ. Традиционные методы обнаружения, основанные на сигнатурах и эвристиках, применяются для выявления вредоносного программного обеспечения, однако обладают низкой обобщающей способностью при обнаружении неизвестных атак и могут быть легко обойдены с использованием методов обфускации. В последние годы машинное обучение (ML), и особенно глубокое обучение (DL), продемонстрировали впечатляющие результаты в обнаружении вредоносного программного обеспечения благодаря обучению информативных представлений на основе данных и стали предпочтительной альтернативой традиционным методам. Недавно применение методов обучения представлений на графах (GRL) к данным, структурированным в виде графов, продемонстрировало значительный потенциал для обнаружения вредоносного программного обеспечения. Этот успех во многом обусловлен устойчивой структурой графов, изменение которой представляет сложность для злоумышленников, а также присущими графам возможностями интерпретируемости. В настоящем обзоре представлен углублённый анализ литературы, направленный на обобщение и унификацию существующих исследований в рамках общих подходов и архитектур. В частности, показано, что графовые нейронные сети (GNN) обеспечивают конкурентоспособные результаты при обучении устойчивых эмбеддингов на основе представления вредоносного программного обеспечения в виде информативных графовых структур, таких как графы вызовов функций (FCG) и графы потока управления (CFG). В исследовании также обсуждается устойчивость методов на основе GRL к состязательным атакам, сопоставляется их эффективность с другими подходами ML/DL и обозначаются направления будущих исследований, необходимые для практического внедрения.