申请/专利权人:中国人民解放军空军工程大学
申请日:2024-04-19
公开(公告)日:2024-06-25
公开(公告)号:CN118246014A
主分类号:G06F21/56
分类号:G06F21/56;G06V10/764;G06V10/82;G06N3/0464;G06V10/46;G06N3/048;G06N3/047;G06N3/0985
优先权:
专利状态码:在审-公开
法律状态:2024.06.25#公开
摘要:本发明属于恶意代码检测领域,提供了基于多尺度特征增强的恶意代码检测方法,包括以下步骤:数据预处理:将二进制恶意代码转换为灰度图像,并进行数据增强,使用GridMask网格掩码技术避免训练过拟合;构建图像分类模型:包括作为基础的CNN模块、MK模块和改进的SE模块;特征提取与训练:采用深度学习方法,对模型进行训练;本发明通过提出一种基于图像处理的轻量级识别未知恶意代码、不需要特征工程和相关先验知识的恶意代码识别方法,将恶意代码二进制数据转换为图像,利用网格掩模方法对图像进行数据增强,训练深度神经网络进行恶意代码变体检测;采用改进的挤压激励模块,并提出多尺度核融合来降低参数,从而进一步提高性能。
主权项:1.基于多尺度特征增强的恶意代码检测方法,其特征在于,包括以下步骤:S1、数据预处理:将二进制恶意代码转换为灰度图像,并进行数据增强,使用GridMask网格掩码技术避免训练过拟合;S2、构建图像分类模型:包括作为基础的CNN模块、MK模块和改进的SE模块;S3、特征提取与训练:采用深度学习方法,对模型进行训练,输入内容为经过样本预处理后大小为64×64的灰度图像。
全文数据:
权利要求:
百度查询: 中国人民解放军空军工程大学 基于多尺度特征增强的恶意代码检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。