申请/专利权人:贵州大学
申请日:2022-05-05
公开(公告)日:2024-04-02
公开(公告)号:CN114936371B
主分类号:G06F21/56
分类号:G06F21/56;G06F8/53;G06F18/241;G06N3/0464;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.04.02#授权;2022.09.09#实质审查的生效;2022.08.23#公开
摘要:本发明公开了一种基于三通道可视化和深度学习的恶意软件分类方法及系统,属于恶意软件分类和深度学习技术领域,其中,该方法包括:对被分类的恶意软件进行汇编指令提取,提取其代码区段的操作码、立即数操作数、寄存器操作数和相对地址的存储器操作数;根据指令序列分别构建反映恶意软件汇编指令字节分布的Markov图、反映恶意软件操作码调用关系的Markov图、反映恶意软件操作码数量的Markov图,最后合成恶意软件三通道图像,再使用深度卷积神经网络完成恶意软件分类。该方法效捕获了恶意软件汇编指令的字节分布、调用和数量关系,能够生成大小统一的恶意软件图像,不依赖于预先训练模型,具有更高的分类准确率。
主权项:1.一种基于三通道可视化和深度学习的恶意软件分类方法,其特征在于,包括以下步骤:步骤S1,将预设恶意软件文件反编译为汇编文件,并提取所述汇编文件中代码区段的汇编指令序列;步骤S2,根据所述汇编指令序列构建反映恶意软件汇编指令字节分布的Markov图;步骤S3,根据所述汇编指令序列构建反映恶意软件操作码调用关系的Markov图;步骤S4,根据所述汇编指令序列构建反映恶意软件操作码数量的Markov图;步骤S5,将预设恶意软件样本输入所述步骤S1-S4中得到相应的恶意软件Markov图,并将其依次作为恶意软件三通道图像的三个通道,以合成恶意软件三通道图像;步骤S6,构建包含4个卷积层、4个池化层和2个全连接层的深度卷积神经网络;步骤S7,选择预设超参数训练所述深度卷积神经网络,并将深度学习工具包载入训练好的深度卷积神经网络;步骤S8,将待测恶意软件样本输入所述步骤S1-S5中得到相应的三通道恶意软件图像,并将所述三通道恶意软件图像载入所述训练好的深度卷积神经网络中,以预测恶意软件家族类型对应的标签值,进而对恶意软件家族进行分类。
全文数据:
权利要求:
百度查询: 贵州大学 基于三通道可视化和深度学习的恶意软件分类方法及系统
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。