基于深度学习可视化的恶意软件家族分类

摘要：

计算机网络技术的快速发展,导致恶意软件数量不断增加.针对恶意软件家族分类问题,提出一种基于深度学习可视化的恶意软件家族分类方法.该方法采用恶意软件操作码特征图像生成的方式,将恶意软件操作码转化为可直视的灰度图像.使用递归神经网络处理操作码序列,不仅考虑了恶意软件的原始信息,还考虑了将原始代码与时序特征相关联的能力,增强分类特征的信息密度.利用SimHash将原始编码与递归神经网络的预测编码融合,生成特征图像.基于相同族的恶意代码图像比不同族的具有更明显相似性的现象,针对传统分类模型无法解决自动提取分类特征的问题,使用卷积神经网络对特征图像进行分类.实验部分使用10868个样本(包含9个恶意家族)对深度学习可视化进行有效性验证,分类精度达到98.8％,且能够获得有效的、信息增强的分类特征.

关键词：恶意软件家族;恶意代码可视化;递归神经网络(RNN);卷积神经网络(CNN);SimHash

所属期刊栏目：57

分类号：TP309.5(计算技术、计算机技术)

资助基金：湖南省重点领域研发计划2019GK2243

在线出版日期：2021-11-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：131-138