针对恶意软件的高鲁棒性检测模型研究

摘要：

近年来,恶意软件对网络空间安全的危害日益增大,为了应对网络环境中大规模的恶意软件检测任务,研究者提出了基于机器学习、深度学习的自动化检测方法.然而,这些方法需要在特征工程上耗费较多的时间,导致检测效率较低;同时,恶意软件对抗样本的存在也影响着这些方法做出正确的判断,对网络安全造成了危害.为此,文章提出一种鲁棒性较强的恶意软件检测方法MDCAM.该方法首先基于代码可视化技术分析了不同家族恶意软件以及恶意软件对抗样本的特征,并在此基础上构建了融合改进ConvNeXt网络、混合域注意力机制与FocalLoss函数的检测模型,显著提升了检测模型的综合能力及鲁棒性.

关键词：恶意软件检测、深度学习、对抗样本

所属期刊栏目：24

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金61972148

在线出版日期：2024-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1184-1195