文献类型：期刊文章

作　　者：陈小寒[1] 魏书宁[1,2] 覃正泽[1]

CHEN Xiaohan;WEI Shuning;QIN Zhengze(College of Information Science and Engineering,Hunan Normal University,Changsha 410006,China;National Key Laboratory for Parallel and Distributed Processing,National University of Defense Technology,Changsha 410006,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410006 [2]国防科技大学并行与分布处理国防科技重点实验室,长沙410006

出　　处：《计算机工程与应用》

基　　金：湖南省重点领域研发计划(2019GK2243)。

年　　份：2021

卷　　号：57

期　　号：22

起止页码：131-138

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

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  

分 类 号：TP309.5]