基于改进CNN的恶意软件分类方法OACSTPCD
Malware Classification Method Based on Improved CNN
越来越多的恶意软件变种给网络安全带来了巨大的威胁,导致了现有基于CNN(Convolutional Neural Networks)的恶意软件分类方法的泛化能力弱和准确性不足.为了解决这些问题,本文提出了一种新的方法,即基于改进CNN的恶意软件RGB(Red Green Blue)可视化的分类方法,可以抵御变种和混淆性恶意软件.首先,提出了一种基于RGB图像的特征表示方法,该方法更加关注恶意软件的二进制和汇编信息、API信息间的语义关系,生成具有更丰富纹理信息的图像,可以挖掘恶意代码原始与变种之间更深层的依赖关系.其次,针对恶意软件的加密和混淆问题,使用坐标注意力模块(Coordinate Attention Module,CAM)获取更大范围的空间信息来强化特征.最后,结合空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)来改进CNN模型,解决因图像尺寸归一化导致的信息丢失和冗余.实验结果表明,上述方法在最近的先进方法中脱颖而出,对Kaggle数据集和DataCon数据集的准确率分别达到99.48%和97.78%.与其它方法相比,该方法对Kaggle数据集的准确率提高了0.22%,对DataCon数据集的准确率提高了0.80%.本文方法可以有效地分类恶意软件和恶意软件家族变种,具有良好的泛化能力和抗混淆能力.
轩勃娜;李进
空军工程大学防空反导学院,陕西西安 710051空军工程大学防空反导学院,陕西西安 710051
计算机与自动化
网络安全恶意代码分类RGB图像汇编信息语义关系坐标注意力模块空洞空间金字塔
network securitymalware classificationRGB imagecompile informationsemantic relationshipcoor-dinate attention moduleatrous spatial pyramid pooling
《电子学报》 2023 (5)
目标识别中面向时域不确定信息的证据推理研究
1187-1197,11
国家自然科学基金(No.61806219,No.61703426,No.61876189) National Natural Science Foundation of China(No.61806219,No.61703426,No.61876189)
评论