申请/专利权人：桂林电子科技大学

申请日：2023-12-19

公开（公告）日：2024-03-19

公开（公告）号：CN117725581A

主分类号：G06F21/56

分类号：G06F21/56;G06N3/0464;G06N3/045;G06N3/0475;G06N3/094;G06F18/214;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明涉及网络安全技术领域，具体涉及一种基于DCGAN‑GP的数据增强及可视化恶意软件检测方法，首先通过动态分析的方法得到恶意软件API序列，并利用其频率、时间、种类三种特征可视化为彩色图像，有效地保留了动态分析的优势和更多的特征信息，使模型检测的准确率更高，同时构建了一种融合梯度惩罚机制的生成对抗网络模型，通过在判别器中引入惩罚项来约束判别器损失，使得在生成器和判别器不断对抗学习的过程中G_total_loss和D_total_loss趋于一个相对稳定的值，解决了梯度消失问题，稳定了模型训练的过程。此外针对某些种类恶意软件样本数量少而影响分类精度的问题，利用训练好的生成对抗网络进行数据增强后再进行恶意软件检测，使检测模型的效果提高。

主权项：1.一种基于DCGAN-GP的数据增强及可视化恶意软件检测方法，其特征在于，包括下列步骤：步骤1：动态分析，提取API序列；步骤2：将API序列特征可视化，生成具有多类别的彩色图像并构建数据集；步骤3：构建融合梯度惩罚机制的深度卷积生成对抗网络模型；步骤4：训练所述深度卷积生成对抗网络模型；步骤5：数据增强；步骤6：训练检测器并进行验证。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 基于DCGAN-GP的数据增强及可视化恶意软件检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD