从字节到威胁：用于恶意软件检测的字节序列 Transformer

现有恶意软件检测方法高度依赖通过对可执行文件进行静态或动态分析而获得的手工设计特征。这些方法需要专门的领域知识、专用分析工具以及耗时的分析过程，因此在面对现代恶意软件日益增长的复杂性和多样性时，其可扩展性和鲁棒性受到限制。因此，直接处理原始字节的方法正受到越来越多的关注，因为原始字节包含丰富的语义和结构信息。然而，对于传统静态方法和基于 CNN 的方法而言，捕捉可执行文件中的长程依赖关系仍然具有挑战性。本文提出 MalwareFormer，这是一种基于 Transformer 的字节级恶意软件检测框架，可直接处理原始字节，无需领域知识或特征提取。MalwareFormer 的准确率达到 98.35%，平衡准确率达到 98.32%，宏平均 F1 分数达到 98.32%，误报率为 1.94%，在所有依赖阈值的分类指标上均优于两种基线方法，表明 Transformer 为字节级恶意软件检测提供了一种强大且可扩展的方法。