申请/专利权人：浙江大学

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117786690A

主分类号：G06F21/56

分类号：G06F21/56;G06V10/774;G06V10/42;G06V10/44;G06V10/764;G06N3/0895;G06N3/045;G06N3/096;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于图像的轻量级小样本恶意软件家族检测方法、设备及存储介质。该方法将样本中二进制文件转换后的图像作为输入，无需繁杂的特征提取及处理过程。通过大量无标签样本预训练特征提取网络，再借助少量带标签样本结合多重损失微调。在检测阶段，将样本转换后的图像映射到嵌入空间。通过多次随机裁剪并与待查询样本相似性比对加权平均的方式保留支持集样本中与查询样本家族相关的信息，减少无关信息干扰。支持集家族内所有样本取平均即为该家族原型向量，基于未知样本与所有原型向量欧氏距离判断其所属家族。本发明采用轻量级样本预处理阶段，以有效覆盖不同操作系统上的恶意软件。在样本稀缺的情况下，本发明也能够实现准确检测。

主权项：1.一种基于图像的轻量级小样本恶意软件家族检测方法，其特征在于，包括以下步骤：1收集恶意软件样本，根据恶意软件样本是否具有所属恶意软件家族信息，将其分为带标签样本或无标签样本；将所有带标签样本根据其标签分为多个恶意软件家族，将样本数量小于设定阈值的小样本恶意软件家族放入测试集，其他恶意软件家族以及大量无标签样本放入训练集；2提取各恶意软件样本中源代码编译后的二进制文件，并将其转换为图像；3将训练集中大量无标签样本转换后的图像作为输入，通过自监督学习的方式预训练特征提取网络；4将训练集中部分带标签样本转换后的图像作为输入，结合分类损失和自监督辅助损失微调步骤3预训练的特征提取网络；5将测试集分为带标签的支持集和无标签的查询集，针对查询集中每个待查询样本，将支持集所有样本分别与之组成样本对；对每个样本对分别做多次随机裁剪，并将裁剪后的子图像送入步骤4微调后的特征提取网络，即对应每个样本得到多个子特征向量；对每个支持集样本的子特征向量作加权平均，生成最后的嵌入空间内的特征向量；嵌入空间内查询集样本的特征向量直接取其所有子特征向量的平均值；6对步骤5得到的支持集和查询集样本的特征向量作特征转换；针对支持集，单个家族所有样本的特征向量取平均则为该家族的原型向量；查询集内待查询样本对应的特征向量为查询向量，计算与待查询向量欧式距离最近的原型向量，该原型向量的家族类别即为查询向量对应样本所属的家族类别。

全文数据：

权利要求：

百度查询： 浙江大学 基于图像的轻量级小样本恶意软件家族检测方法、设备及存储介质

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