利用AI+大数据的方式分析恶意样本（四十六）
文章目录
- “I’m regretting that I hit run”: In-situ Assessment of Potential Malware
-
- Intro
- Related work
- study design
- Methodology
- Result: 1 level
-
- Executable Properties
- Program Behavior
- Program look and feel
- Threat Intelligence source
- Result: 2 level
- Discussion
-
- Performance on different software
- Misconceptions and awareness deficits
- Appendix
“I’m regretting that I hit run”: In-situ Assessment of Potential Malware
USENIX SECURITY 2025
University of Guelph
一篇关于用户对potential malware的评估研究
Intro
2022年，全球报告的新恶意软件应用超过一亿个[3]。恶意软件作者日益依赖欺骗手段和滥用信任来逃避检测。据VirusTotal统计，2022年上半年，通过合法域名传播的恶意软件数量显著增加（其中250万个样本是通过Alexa前1000名域名下载的），同时，使用有效数字证书签名的恶意软件样本也超过百万个，更有不少恶意软件伪装成合法软件[23]。面对激增的数量及愈发隐蔽的作案手法，仅靠技术手段已难以有效识别恶意软件[8, 13]。因此，深入了解人类如何判断潜在恶意软件的性质，显得尤为重要。
2022年的ref，疑似投了很久
尽管已有大量研究聚焦于检测恶意软件的技术解决方案，但目前尚无任何工作探讨人类在判断可疑