论文用异构图建模恶意软件感染后行为，报告94.44%准确率。
资讯摘要
该论文基于CAPEv2沙箱动态执行，对37个恶意软件家族的感染后行为进行实证分析，将行为轨迹建模为含五类节点、七类边的异构图。作者报告，基于图结构特征的投票集成达到94.44%准确率和0.863的MCC，较扁平行为基线在MCC上高7.4个百分点；多分类器可区分24个家族，并给出按家族的行为指纹及带MITRE ATT&CK映射的LLM解释报告。
要点速读
- 论文用CAPEv2沙箱采集37个恶意软件家族的感染后行为轨迹，并建模为异构图。
- 作者报告投票集成达94.44%准确率、MCC 0.863，较扁平基线MCC高7.4个百分点。
- 多分类器区分24个家族，LLM解释层生成带MITRE ATT&CK映射的分析报告，流程以HeteroScan部署。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。