能夠在惡意軟體一出現時就能夠捉到對保護使用者、社群、企業和政府來說是相當重要的。隨著機器學習(Machine learning,ML)技術被運用在網路安全上，偵測惡意軟體爆發的效率變得更高。
機器學習有助於分析大量資料，找出惡意軟體樣本的模式和關聯性，幫助訓練系統來偵測未來的相似變種。但如果只有少量的資料集，機器學習是否能夠用來分析惡意軟體爆發？我們與澳大利亞聯邦大學的研究人員合作進行一項名為「生成惡意軟體爆發偵測（Generative Malware Outbreak Detection）」的研究，該研究顯示出利用對抗自編碼器（AAE）取得可能表徵能夠有效處理這種情況。這被用來偵測惡意軟體爆發的機器學習（ML）模型使用生成對抗網路（GAN）來透過少量的OS X訓練樣本取得相似的樣本。
大規模的惡意軟體爆發
在今日的威脅環境中，惡意軟體爆發已經成為公開的事件，對全球使用者和企業帶來負面的影響，造成了數十億美元的損失。根據美國政府的說法，2017年的NotPetya勒索病毒成為「史上最具破壞性和代價最高的網路攻擊」。它對政府及企業都造成了嚴重破壞，丹麥航運巨頭Maersk是最知名的的受害者之一。
與此同時，2018年的VPNFilter病毒爆發感染了家庭及小型企業所使用的50萬台路由器，多數受害者位於烏克蘭。這隻多階段的惡意軟體散播到了54個國家/地區，並且跟BlackEnergy間諜軟體有著重疊的程式碼。
繼續閱讀
