最近，一組研究人員在KiloGram上發表了他們的論文，KiloGram是一種用于管理文件中的大型n-gram的新算法，可以改善機器學習對惡意軟件的檢測能力。新算法比以前的方法快60倍，并且可以處理n = 1024或更高的n-gram。n的大值具有可解釋的惡意軟件分析和簽名生成的其他應用程序。

在KDD 2019網絡安全學習和采礦研討會上發表的論文中，來自馬里蘭大學和網絡安全公司Endgame的研究人員描述了他們的算法，用于在大型文件數據集中查找最頻繁的n-gram。以前的方法在增加n的大小時會在內存和運行時中遇到“指數成本”，而在分析具有數十萬個文件的數據集時，它們的n值將小于8。相比之下，KiloGram算法能夠從數百萬個文件中的5TB數據中提取n-gram，而僅使用9GB的RAM，并且“運行時間不會隨n的增加而增加”。這允許算法為較大的n值提取n-gram，以測試這些n-gram是否為機器學習算法提供了更好的準確性。

一個n-gram是n個項的唯一序列，并且該思想被用于許多機器學習任務中，尤其是自然語言處理（NLP）。在檢測到惡意軟件的情況下，n-gram是來自文件的字節序列，該文件將被分類為惡意軟件或良性文件。惡意軟件檢測的早期工作表明，較大的n-gram（例如n = 15或20）對于訓練檢測系統是理想的，但是現代數據集的大小使得使用大于6的n值太昂貴。由于KiloGram算法可以處理那些較大的值，因此研究團隊能夠測試較大值更好的想法。

該團隊使用可執行文件和Adobe PDF文檔的多個數據集，訓練了Elastic-Net正則化邏輯回歸分類器來檢測惡意軟件;為了進行回歸，輸入特征是使用KiloGram算法提取的n元語法。與文獻中的建議相反，研究人員發現“預測精度不會增加到n = 8以上”。較大的n-gram會產生精度降低的模型;但是，它們具有可解釋性的優點。較小的n-gram產生“黑匣子”模型，而較大的n-gram特征集包含可能對分析人員有意義的字節序列。例如，它們可能代表代碼片段或文本字符串。

研究人員認為，較大的n-gram在回歸模型中使用時不那么精確，因為它們更特定于特定的惡意軟件攻擊。實際上，它們會導致過度擬合。但是，當在諸如Yara之類的簽名模型中使用時，它們的優點是它們的假陽性率低。也就是說，盡管Yara模型可能會錯誤地將更多文件標記為良性文件，但如果它確實表明文件為惡意軟件，則很少有錯。這使得KiloGram算法可用于構建結合了機器學習模型和基于簽名的模型的分層系統。