CN109033833B - 一种基于多特征与特征选择的恶意代码分类方法 - Google Patents

一种基于多特征与特征选择的恶意代码分类方法 Download PDF

Info

Publication number
CN109033833B
CN109033833B CN201810766624.2A CN201810766624A CN109033833B CN 109033833 B CN109033833 B CN 109033833B CN 201810766624 A CN201810766624 A CN 201810766624A CN 109033833 B CN109033833 B CN 109033833B
Authority
CN
China
Prior art keywords
malicious code
features
matrix
feature
coef
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810766624.2A
Other languages
English (en)
Other versions
CN109033833A (zh
Inventor
金福生
王茹楠
秦勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810766624.2A priority Critical patent/CN109033833B/zh
Publication of CN109033833A publication Critical patent/CN109033833A/zh
Application granted granted Critical
Publication of CN109033833B publication Critical patent/CN109033833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
    • G06F21/562—Static detection
    • G06F21/563—Static detection by source code analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Virology (AREA)
  • Image Analysis (AREA)

Abstract

一种基于多特征与特征选择的恶意代码分类方法，属于计算机安全和机器学习技术领域。涉及一种通过融合恶意代码家族不同类别的特征得到多特征，并提出一种特征选择的方法处理多特征，具体通过融合像素特征以及n‑gram特征，得到表征恶意代码家族的多特征信息，通过使用L2正则项优化的带有L1正则项的逻辑回归模型对融合特征进行初步特征选择，然后使用线性判别分析对特征进行降维，最后使用K最近邻算法训练恶意代码分类器。本发明能够为训练过程提供更多维度的特征数据；能够解决关键特征无法被选取的问题；通过使用LDA进行特征降维，使映射后的样本具有更好的分类性能，不仅加快了训练速度，而且提高了模型的分类准确度。

Description

一种基于多特征与特征选择的恶意代码分类方法
技术领域
本发明涉及一种基于多特征与特征选择的恶意代码分类方法，属于计算机安全和机器学习技术领域。
背景技术
随着恶意代码技术的发展，恶意代码开始在传播过程中进行变形以躲避查杀，当前，同一个恶意代码的变种数量急剧提升，形态较本体也发生了较大的变化，对恶意代码的检测与防范是安全领域面临的一大挑战。
恶意代码是指一切旨在破坏计算机或网络***可靠性、实用性、安全性和数据完整性或消耗***资源的恶意程序。随着反恶意代码技术的逐步发展，主动防御技术、云查杀技术已越来越多的被安全厂商使用，但恶意代码静态检测的方法仍是效率最高，运用最广泛的恶意代码查杀技术。静态技术主要是通过文件结构解析、反汇编、反编译等方法对恶意代码进行分析，通常不实际运行代码，通过捕获恶意代码的程序流程和功能，得到用于检测和查杀恶意代码的特征定义。
恶意代码分类技术是防范恶意代码的关键技术，它能够为检测、控制和清除恶意代码提供重要依据，是安全领域的研究热点。近年来，机器学习方法被认为是解决分类问题的快速有效的方法，并受到越来越多的关注，有大量研究人员通过提取恶意代码家族的相关特征，使用机器学习的分类算法有效解决恶意代码家族类别分析。
然而，基于机器学习的恶意代码分类方法的效果，很大程度上依赖于提取到的恶意代码家族特征，过少的特征无法全面地表征恶意代码家族类型，而过多的特征不仅会造成训练速度下降，还会产生过拟合等问题限制分类的效果。
因此本发明提出了一种基于多特征和特征选择的恶意代码分类方法，通过融合多特征，获取到了大量表征恶意代码家族信息的特征，并使用一种4-LFE的方法进行特征选择，有效地避免了过拟合，提高了分类的准确度。
发明内容
本发明的目的在于提升现有恶意代码分类的准确率，提出了一种基于多特征和特征选择的恶意代码分类方法。
本发明的核心思想是：涉及一种通过融合恶意代码家族不同类别的特征得到多特征，并提出一种特征选择的方法处理多特征，具体通过融合像素特征以及n-gram特征，得到表征恶意代码家族的多特征信息，通过使用L2正则项优化的带有L1正则项的LogisticRegression模型对融合特征进行初步特征选择，然后使用线性判别分析对特征进行降维，最后使用K最近邻算法训练恶意代码分类器。
一种基于多特征和特征选择的恶意代码分类方法，简称为4-LFE方法，包括如下步骤：
步骤一：预处理恶意代码文件，即去除恶意代码文件的PE文件头，输出预处理后的恶意代码文件；
步骤二：使用步骤一输出的预处理后的恶意代码文件，生成恶意代码灰度图像，并基于此提取像素特征，具体包括以下子步骤；
步骤2.1转换步骤一输出的预处理后的恶意代码文件转换为十六进制文件，再按字节分割十六进制文件中的字符串，设定灰度矩阵宽度，生成恶意代码灰度图像；
步骤2.2设定像素特征维度，提取步骤2.1生成的恶意代码灰度图像的像素特征；
步骤三：提取步骤一输出的预处理后的恶意代码文件的n-gram特征，并与步骤二中提取的像素特征进行特征融合得到融合特征，再将融合特征存储到特征矩阵中，即得到一个包含多种特征的特征矩阵；
步骤三、具体为：
步骤3.1运行IDA反汇编脚本，输入步骤一预处理后的恶意代码文件，得到反汇编代码文件；
步骤3.2提取步骤3.1得到的反汇编代码文件中的操作码，设定n-gram滑动窗口长度，构建n-gram特征向量；
步骤3.3将步骤2.2得到的像素特征以及步骤3.2构建的n-gram特征向量存储到一个特征矩阵中，得到一个包含多种特征的特征矩阵；
步骤四：将步骤三存储到特征矩阵中的融合特征通过4-LFE方法进行特征选取和特征降维，输出d维特征；
其中，步骤四中采用的4-LFE方法包括以下几个子步骤：
步骤4.1构建逻辑回归模型；
其中，逻辑回归模型全称为Logistic Regression，简称LR；
步骤4.2使用相同的LR模型参数初始化带有L1正则项的LR模型和带有L2正则项的LR模型，分别为L1-LR和L2-LR；
其中，L1正则项、L2正则项分别如公式(1)、(2)：
Figure BDA0001729171020000031
Figure BDA0001729171020000032
其中，wrq表示的是LR模型中的权重矩阵中第r行第q列的元素，|wrq|表示权重矩阵中wrp的绝对值，∑表示求和，λ为正则化参数，R,Q分别表示权重矩阵的行数和列数；
因此，L1-LR的损失函数如公式(3):
Cost_L1＝Cost0+L1 (3)
其中，Cost0为LR模型的原始损失函数；
L2-LR的损失函数如公式(4):
Cost_L2＝Cost0+L2 (4)
步骤4.3分别使用步骤三得到的融合特征训练L1-LR和L2-LR，得到L1-LR的权值矩阵，记为coef1m×n；以及L2-LR的权值矩阵，记为coef2m×n；
其中，m为L1-LR权值矩阵coef1和L2-LR权值矩阵coef2的行数，n为L1-LR权值矩阵coef1和L2-LR权值矩阵coef2的列数；
步骤4.4遍历步骤4.3得到的L1-LR的权值矩阵coef1中的每个系数，记当前遍历到的系数为coef；如果当前coef不为0，则记录此coef在矩阵中的位置i,j；
初始化一个一维矩阵，记为coef对应的特征的同类矩阵S，并将coef1[i][j]添加到矩阵S中；
其中，i的取值范围是0至m-1，j的取值范围是0至n-1；
步骤4.5记L2-LR的权值矩阵coef2中对应步骤4.4中记录的第i行第j列位置上的元素为coef2[i][j]，并且开始遍历coef2中第i行的权值系数；
如果当前遍历到的系数coef2[i][k]与coef2[i][j]之差小于设定阈值th，并且对应到L1-LR权值矩阵coef1[i][k]为0，则将coef2[i][k]也加入到步骤4.4中的矩阵S中；
继续遍历coef2中第i行的权值系数，直到coef2中第i行所有的权值系数都被访问；
其中，k的取值范围是0至n-1；
步骤4.6计算步骤4.5得到的矩阵S中元素的个数num以及coef对应的该特征的权值系数均值，即coef/num，将该值分别赋给L1-LR中的coef1[i][k]和coef1[i][j]；
步骤4.7循环步骤4.4至步骤4.6，直到遍历完coef1中的所有系数，得到更新后的L1-LR权值系数矩阵记为coef_new；
步骤4.8根据步骤4.7得到的更新后的L1-LR权值系数矩阵coef_new，对步骤三得到的融合特征矩阵进行特征选择，得到特征选择后的新的特征矩阵；
步骤4.9使用线性判别分析方法对步骤4.8输出的新的特征矩阵进行降维，得到d维特征；
其中，d的取值范围是1到分类类别数减1，即经过投影变换后的特征保留了每个恶意代码文件最重要的d维特征；
步骤五：选择K最近邻方法对步骤四输出的特征进行训练，得到一个恶意代码家族分类器；
其中，K最近邻方法的全称为K-NearestNeighbor，简称KNN。
有益效果
一种基于多特征与特征选择的恶意代码分类方法，与现有技术相比，具有如下有益效果：
1.本发明使用多特征表征恶意代码家族，能够为训练过程提供更多维度的特征数据；
2.本发明通过改进带有L1正则项的LR，使用L2正则项进行二次判定，能够有效克服L1-LR只能保留多目标值具有同等相关性特征中的一个的问题，解决关键特征无法被选取的问题；
3.本发明使用一种4-LFE的方法进行特征选择，具体通过使用LDA进行特征降维，使映射后的样本具有更好的分类性能，不仅加快了训练速度，而且提高了模型的分类准确度。
附图说明
图1是本发明一种基于多特征和特征选择的恶意代码分类方法的流程图；
图2是本发明一种基于多特征和特征选择的恶意代码分类方法步骤B中提
像素特征提取的流程图；
图3是本发明一种基于多特征和特征选择的恶意代码分类方法步骤B中生
成的一个样本集中的恶意代码灰度图像。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
实例1
本实施例1具体实施步骤如图1所示，所述方法包含以下步骤：
步骤A：恶意代码文件预处理；
本实施例中，使用的恶意代码样本为Microsoft提供的包含′.byte′文件和′.asm’文件的数据集，已经去除各恶意代码样本的PE文件头；
具体到本实施例，检查样本集中的文件，删除只包含’.bytes’文件或只包含′.asm′文件的恶意代码样本；
步骤B：生成恶意代码图像，提取像素特征；
恶意代码像素特征提取流程如图2；
具体到本实施例，使用’.asm’文件生成恶意代码图像，使用python进行特征提取；
首先读取’.asm’文件并将其转换为十六进制文件，然后按字节分割十六进制字符串，通过设定灰度矩阵的宽度为512，生成恶意代码灰度矩阵，使用python中Image.fromarray方法将灰度矩阵转化为灰度图，例如样本集中的一个恶意代码的灰度图如图3所示；
得到每个恶意代码样本的灰度图后，本实施例提取每个恶意代码灰度图的前2500个像素，并将其存储为恶意代码样本的像素特征；
步骤C：提取恶意代码文件的n-gram特征；
本实施例中首先从’.asm’文件获取Opcode序列，具体为使用python中的re模块的compile方法；然后设定n-gram的滑动窗口值为3，根据Opcode序列，统计对应的n-gram，存储到n-gram特征中；
将步骤B的像素特征与步骤C的n-gram特征存储在一个特征矩阵中，得到融合后的多特征；
步骤D；使用4-LFE方法选择融合特征；
在本实施例中，通过python的sklearn库实现L1-L2-LR方法；定义一个LR的类，对步骤四描述的方法4-LFE进行复现；首先初始化带有L1正则项的LR，其中本实施例通过设定LogisticRegression类中的参数penalty＝Ll来实现L1-LR，正则化系数C设置为0.1。然后使用相同模型参数初始化带有L2正则项的LR，其中LogisticRegression类中的参数penalty设置为L2；
具体到本实施例，分别采用步骤C得到的融合后的多特征矩阵对L1-LR、L2-LR进行训练，并得到对应的权值矩阵coef1和coef2；
按照步骤4.4至步骤4.7的方法对L1-LR的权值矩阵coef1进行更新，并得到新的L1-LR的权值矩阵coef_new；
其中，步骤4.5中的阈值th设定为0.5；
使用python中sklearn库中的selectfrommodel的方法对特征进行选择，得到特征选择后11234维特征；
步骤E：使用线性判别分析法对步骤D选择后的特征降维；
在本实施例中，使用python的sklearn库初始化LDA方法，然后输入步骤D选择得到的11234维特征，设定特征降维后的维度为7维，存储降维后的特征到新特征矩阵；
步骤F：使用K最近邻算法训练恶意代码分类器，得到分类结果；
具体到本实施例中，使用python的sklearn库初始化KNN算法，输入为步骤D得到的每个样本的7维恶意代码特征向量与类别标签，进行恶意代码分类器训练，然后使用划分数据集的测试集部分进行分类性能测试。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (2)

1.一种基于多特征和特征选择的恶意代码分类方法，其特征在于：核心思想是：涉及一种通过融合恶意代码家族不同类别的特征得到多特征，并提出一种特征选择的方法处理多特征，具体通过融合像素特征以及n-gram特征，得到表征恶意代码家族的多特征信息，通过使用L2正则项优化的带有L1正则项的Logistic Regression模型对融合特征进行初步特征选择，然后使用线性判别分析对特征进行降维，最后使用K最近邻算法训练恶意代码分类器；包括如下步骤：
步骤一：预处理恶意代码文件，即去除恶意代码文件的PE文件头，输出预处理后的恶意代码文件；
步骤二：使用步骤一输出的预处理后的恶意代码文件，生成恶意代码灰度图像，并基于此提取像素特征，具体包括如下子步骤：
步骤2.1将步骤一输出的预处理后的恶意代码文件转换为十六进制文件，再按字节分割十六进制文件中的字符串，设定灰度矩阵宽度，生成恶意代码灰度图像；
步骤2.2设定像素特征维度，提取步骤2.1生成的恶意代码灰度图像的像素特征；步骤三：提取步骤一输出的预处理后的恶意代码文件的n-gram特征，并与步骤二中提取的像素特征进行特征融合得到融合特征，再将融合特征存储到特征矩阵中，即得到一个包含多种特征的特征矩阵；
步骤四：将步骤三存储到特征矩阵中的融合特征通过4-LFE方法进行特征选取和特征降维，输出d维特征；
其中，步骤四中采用的4-LFE方法包括以下几个子步骤：
步骤4.1构建逻辑回归模型；
其中，逻辑回归模型全称为Logistic Regression，简称LR；
步骤4.2使用相同的LR模型参数初始化带有L1正则项的LR模型和带有L2正则项的LR模型，分别为L1-LR和L2-LR；
其中，L1正则项、L2正则项分别如公式(1)、(2)：
Figure FDA0002940785710000011
Figure FDA0002940785710000021
其中，wrq表示的是LR模型中的权重矩阵中第r行第q列的元素，|wrq|表示权重矩阵中wrq的绝对值，∑表示求和，λ为正则化参数，R，Q分别表示权重矩阵的行数和列数；
因此，L1-LR的损失函数如公式(3)：
Cost_L1＝Cost0+L1 (3)
其中，Cost0为LR模型的原始损失函数；
L2-LR的损失函数如公式(4)：
Cost_L2＝Cost0+L2 (4)
步骤4.3分别使用步骤三得到的融合特征训练L1-LR和L2-LR，得到L1-LR的权值矩阵，记为coef1m×n；以及L2-LR的权值矩阵，记为coef2m×n；
其中，m为L1-LR权值矩阵coef1和L2-LR权值矩阵coef2的行数，n为L1-LR权值矩阵coef1和L2-LR权值矩阵coef2的列数；
步骤4.4遍历步骤4.3得到的L1-LR的权值矩阵coefl中的每个系数，记当前遍历到的系数为coef；如果当前coef不为0，则记录此coef在矩阵中的位置i，j；
初始化一个一维矩阵，记为coef对应的特征的同类矩阵S，并将coef1[i][j]添加到矩阵S中；
其中，i的取值范围是0至m-1，j的取值范围是0至n-1；
步骤4.5记L2-LR的权值矩阵coef2中对应步骤4.4中记录的第i行第j列位置上的元素为coef2[i][j]，并且开始遍历coef2中第i行的权值系数；
如果当前遍历到的系数coef2[i][k]与coef2[i][j]之差小于设定阈值th，并且对应到L1-LR权值矩阵coef1[i][k]为0，则将coef2[i][k]也加入到步骤4.4中的矩阵S中；
继续遍历coef2中第i行的权值系数，直到coef2中第i行所有的权值系数都被访问；
其中，k的取值范围是0至n-1；
步骤4.6计算步骤4.5得到的矩阵S中元素的个数num以及coef对应的该特征的权值系数均值，即coef/num，将该值分别赋给L1-LR中的coef1[i][k]和coef1[i][j]；
步骤4.7循环步骤4.4至步骤4.6，直到遍历完coef1中的所有系数，得到更新后的L1-LR权值系数矩阵记为coef_new；
步骤4.8根据步骤4.7得到的更新后的L1-LR权值系数矩阵coef_new，对步骤三得到的融合特征矩阵进行特征选择，得到特征选择后的新的特征矩阵；
步骤4.9使用线性判别分析方法对步骤4.8输出的新的特征矩阵进行降维，得到d维特征；
其中，d的取值范围是1到分类类别数减1，即经过投影变换后的特征保留了每个恶意代码文件最重要的d维特征；
步骤五：选择K最近邻方法对步骤四输出的特征进行训练，得到一个恶意代码家族分类器；
其中，K最近邻方法的全称为K-NearestNeighbor，简称KNN。
2.根据权利要求1所述的一种基于多特征和特征选择的恶意代码分类方法，其特征在于：步骤三、具体为：
步骤3.1运行IDA反汇编脚本，输入步骤一预处理后的恶意代码文件，得到反汇编代码文件；
步骤3.2提取步骤3.1得到的反汇编代码文件中的操作码，设定n-gram滑动窗口长度，构建n-gram特征向量；
步骤3.3将步骤2.2得到的像素特征以及步骤3.2构建的n-gram特征向量存储到一个特征矩阵中，得到一个包含多种特征的特征矩阵。
CN201810766624.2A 2018-07-13 2018-07-13 一种基于多特征与特征选择的恶意代码分类方法 Active CN109033833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810766624.2A CN109033833B (zh) 2018-07-13 2018-07-13 一种基于多特征与特征选择的恶意代码分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810766624.2A CN109033833B (zh) 2018-07-13 2018-07-13 一种基于多特征与特征选择的恶意代码分类方法

Publications (2)

Publication Number Publication Date
CN109033833A CN109033833A (zh) 2018-12-18
CN109033833B true CN109033833B (zh) 2021-04-09

Family

ID=64641093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810766624.2A Active CN109033833B (zh) 2018-07-13 2018-07-13 一种基于多特征与特征选择的恶意代码分类方法

Country Status (1)

Country Link
CN (1) CN109033833B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800790B (zh) * 2018-12-24 2022-08-19 厦门大学 一种面向高维数据的特征选择方法
CN110727944B (zh) * 2019-12-19 2020-06-02 江阴市普尔网络信息技术有限公司 一种安全网站及其检测入侵的方法
CN111583217A (zh) * 2020-04-30 2020-08-25 深圳开立生物医疗科技股份有限公司 一种肿瘤消融疗效预测方法、装置、设备及计算机介质
CN112561082A (zh) * 2020-12-22 2021-03-26 北京百度网讯科技有限公司 生成模型的方法、装置、设备以及存储介质
CN115080974B (zh) * 2022-08-17 2022-11-08 杭州安恒信息技术股份有限公司 一种恶意pe文件检测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809395A (zh) * 2015-04-23 2015-07-29 天津大学 一种轻量级安卓恶意软件快速判断方法
CN107180192A (zh) * 2017-05-09 2017-09-19 北京理工大学 基于多特征融合的安卓恶意应用程序检测方法和***
CN107908963A (zh) * 2018-01-08 2018-04-13 北京工业大学 一种自动化检测恶意代码核心特征方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809395A (zh) * 2015-04-23 2015-07-29 天津大学 一种轻量级安卓恶意软件快速判断方法
CN107180192A (zh) * 2017-05-09 2017-09-19 北京理工大学 基于多特征融合的安卓恶意应用程序检测方法和***
CN107908963A (zh) * 2018-01-08 2018-04-13 北京工业大学 一种自动化检测恶意代码核心特征方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Malware Detection in Android Mobile;Mariam Al Ali 等;《2017 International Conference on Infocom Technologies and Unmanned Systems (Trends and Future Directions) (ICTUS)》;20171218;第763-768页 *
基于WIG-GA特征选择算法的恶意代码检测方法;王冠 等;《计算机科学与应用》;20180331;第267-274页 *

Also Published As

Publication number Publication date
CN109033833A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109033833B (zh) 一种基于多特征与特征选择的恶意代码分类方法
CN109165306B (zh) 基于多任务哈希学习的图像检索方法
CN107908963B (zh) 一种自动化检测恶意代码核心特征的方法
CN109784056B (zh) 一种基于深度学习的恶意软件检测方法
CN112380319B (zh) 一种模型训练的方法及相关装置
CN113596007B (zh) 一种基于深度学习的漏洞攻击检测方法和设备
CN111259397B (zh) 一种基于马尔科夫图和深度学习的恶意软件分类方法
CN113343974B (zh) 考虑模态间语义距离度量的多模态融合分类优化方法
CN113806746A (zh) 基于改进cnn网络的恶意代码检测方法
CN113051914A (zh) 一种基于多特征动态画像的企业隐藏标签抽取方法及装置
Khan et al. Malware classification framework using convolutional neural network
CN112434553A (zh) 一种基于深度字典学习的视频鉴别方法及***
CN115983274B (zh) 一种基于两阶段标签校正的噪声事件抽取方法
CN112926661A (zh) 一种增强图像分类鲁棒性的方法
CN111241550B (zh) 基于二进制映射和深度学习的漏洞检测方法
CN115344863A (zh) 一种基于图神经网络的恶意软件快速检测方法
Chu et al. Visualization feature and CNN based homology classification of malicious code
CN112380535B (zh) 一种基于cbow的恶意代码三通道可视化识别方法
Zhu et al. Malware homology determination using visualized images and feature fusion
CN117640190A (zh) 一种基于多模态堆叠自动编码器的僵尸网络检测方法
CN112949778A (zh) 基于局部敏感哈希的智能合约分类方法、***及电子设备
CN111783088A (zh) 一种恶意代码家族聚类方法、装置和计算机设备
CN111797997A (zh) 网络入侵检测方法、模型构建方法、装置及电子设备
Pereira et al. Assessing active learning strategies to improve the quality control of the soybean seed vigor
CN114896594A (zh) 基于图像特征多注意力学习的恶意代码检测装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant