Using Generative Adversarial Networks (GAN) to detect Cyber Threats

Abstract

En esta presentación se explora el uso de redes neuronales y GAN para detectar amenazas cibernéticas, especificamente malware ofuscado. La propuesta descrita transforma archivos binarios en imágenes en escala de grises y emplea modelos convolucionales como ResNet y EfficientNet para clasificarlas como goodware o malware. Posteriormente, se construyen conjuntos de datos con programas legítimos de Microsoft Store y muestras de VirusShare, incluyendo variantes ofuscadas mediante XOR y Shikata Ga Nai. También se presenta una GAN condicional cuyo generador crea imágenes sintéticas de distintas clases, mientras un discriminador basado en ResNet-18 evalúa si son reales o falsas y si corresponden a software benigno o malicioso. Los resultados muestran precisiones similares entre el entrenamiento tradicional y el basado en GAN, sin embargo, las imágenes generadas aumentan la diversidad del conjunto de datos aumentando así la consistencia de los resultados. Como trabajo futuro se propone incorporar malware contextualizado, ampliar la generación sintética y fortalecer la detección de amenazas avanzadas.