基于图表示学习的恶意软件分类方法

张英韬; 王宝会

首页> 中文期刊> 《新型工业化》 >基于图表示学习的恶意软件分类方法

基于图表示学习的恶意软件分类方法

开具论文收录证明 >>

期刊封面封底目录下载 >>

文献代查 >>

页面导航

摘要
著录项
相似文献
相关主题

摘要

由于Windows系统用户众多,针对于Windows系统的恶意软件层出不穷,但是目前对windows恶意软件的识别准确率不是很高,而且大多是单独基于API序列进行分析.这种方式只能捕捉恶意软件的行为时间信息,并无法获取其行为之间的拓扑结构和行为之间的联系.本文使用动态检测方式,将CUCKOO沙箱中得到的恶意软件的报告转化为图结构数据,并根据其API的多线程调用信息,得到该恶意软件的诸多子图.同时,本文还创新性对恶意软件调用的序列信息进行提取,根据其两边节点组成相应边节点.最终本文将得到的恶意软件图表示输入至图神经网络中进行学习,在经过TopK池化后读出至全连接层进行分类.本文使用的方法在分类准确率上相比于之前的方法有着非常大的提升,二分类测试集准确率达到了99.2％,超过恶意软件的其他方法.同时消融实验也显示了算法的有效性.

著录项

来源
《新型工业化》 |2021年第10期|91-96|共6页
作者
张英韬; 王宝会;
展开▼
作者单位

武汉大学国家网络安全学院湖北武汉 430072;

空天信息安全与可信计算教育部重点实验室(武汉大学) 湖北武汉 430072;

北京航空航天大学软件学院北京 102206;

展开▼
原文格式 PDF
正文语种 chi
中图分类电子计算机的应用;
关键词
Windows恶意软件检测; 图表示学习; 边节点嵌入; 深度游走; 多子图;

相似文献

中文文献
外文文献
专利

1. 基于CNN的恶意软件分类方法 [J] . 张豪 . 计算机时代 . 2021,第012期
2. 基于Attention-DenseNet-BC的恶意软件家族分类方法 [J] . 李一萌 ,李成海 ,宋亚飞 . 计算机科学 . 2021,第010期
3. 基于静态特征融合的恶意软件分类方法 [J] . 杨春雨 ,徐洋 ,张思聪 . 计算机工程与应用 . 2021,第015期
4. 基于敏感权限和API的Android恶意软件家族分类方法 [J] . 于媛尔 ,张琳琳 ,赵楷 . 郑州大学学报（理学版） . 2020,第003期
5. 基于行为路径树的恶意软件分类方法 [J] . 金炳初 ,文辉 ,石志强 . 计算机工程与应用 . 2020,第011期
6. 基于双分支网络深度学习的网络流量分类方法 [C] . TANG Fan ,唐钒 ,ZHAO Ying . 中国计算机用户协会网络应用分会2020年第二十四届网络新技术与应用年会 . 2020
7. 基于图表示学习的恶意软件检测 [A] . 彭汇 . 2020

基于图表示学习的恶意软件分类方法

摘要

著录项

相似文献

相关主题

期刊订阅