资料下载
如何使用图像纹理和卷积神经网络进行恶意文件的检测方法
分享资料个
在大数据环境下，针对传统恶意文件检测方法对经过代码变种和混淆后的恶意文件检测准确率低以及对跨平台恶意文件检测通用性弱等问题，提出一种基于图像纹理和卷积神经网络的恶意文件检测方法。首先，使用灰度图像生成算法将Android和Windows平台下可执行文件，即．dex和．exe文件，转换成相应的灰度图像；然后，通过卷积神经网络（ CNN）算法自动提取这些灰度图像的纹理特征并加以学习训练，从而构建出一个恶意文件检测模型；最后，使用大量未知待检测的文件去验证模型检测准确率的高低。通过对大量的恶意样本进行实验，在Android和Windows平台下，模型检测最高准确率分别达到79.6%和97.6%，平均准确率分别约为79.3%和96.8%；与基于纹理指纹的恶意代码变种检测方法相比，基于图像纹理和卷积神经网络的恶意文件检测方法准确率提高了约20%。实验结果表明，所提方法能够有效避免人工筛选特征带来的问题，大幅提高检测的准确率和效率，成功解决跨平台检测问题，实现了一种端到端的恶意文件检测模型。
大数据环境下，如何从各种海量的已知数据中提取有价值的信息来对未知事件作出预测或者防止未知恶意事件发生的这个问题引起了各个领域的研究者们的关注和研究。在这样的大环境下，再加上如今互联网的飞速发展，Android系统由于其高开源性和基于Android系统开发的软件没有一个统一的发布和管理平台，所以导致了很多程序开发者受黑色经济的诱惑开发出了大量的安卓恶意软件。这不仅制造了整个Android市场的混乱，还对每个移动用户的隐私以及财产安全造成了更加严重的威胁。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
