软件学报

作者：刘昊，田志宏，仇晶，刘园，方滨兴

单位：刘昊，广州大学 网络空间安全学院, 广东 广州 51079911,田志宏，广州大学 网络空间安全学院, 广东 广州 51079902,仇晶，广州大学 网络空间安全学院, 广东 广州 51079903,刘园，广州大学 网络空间安全学院, 广东 广州 51079904,方滨兴，广州大学 网络空间安全学院, 广东 广州 51079905

关键词：网络安全;小样本学习;恶意软件检测;恶意行为

基金：国家自然科学基金(U20B2046); 国家重点研发计划(2021YFB2012402); 广东省高校创新团队项目(2020KCXTD007); 广州市高校创新团队项目(202032854)

恶意软件检测是网络空间安全研究中的热点问题, 例如Windows恶意软件检测和安卓恶意软件检测等. 随着机器学习和深度学习的发展, 一些在图像识别、自然语言处理领域的杰出算法被应用到恶意软件检测, 这些算法在大量数据下表现出了优异的学习性能. 但是, 恶意软件检测中有一些具有挑战性的问题仍然没有被有效解决, 例如, 基于少量新颖类型的恶意软件, 常规的学习方法无法实现有效检测. 因此, 小样本学习(few-shot learning, FSL)被用于解决面向小样本的恶意软件检测(few-shot for malware detection, FSMD)问题. 通过相关文献, 提取出FSMD的问题定义和一般流程. 根据方法原理, 将FSMD方法分为: 基于数据增强的方法、基于元学习的方法和多技术结合的混合方法, 并讨论每类FSMD方法的特点. 最后, 提出对FSMD的背景、技术和应用的展望.

来源：2024年第8期

《软件学报》期刊编辑部

查看软件学报杂志2024年第8期