欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019112025869
申请人: 暨南大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种恶意软件家族检测方法,其特征在于,步骤如下:

S1、特征提取:对恶意软件训练集中每个类的所有恶意软件训练样本分别进行特征提取,得到对应的多个特征向量;

S2、孪生网络设计:将多个特征向量分别转换为特征图像,根据特征图像生成图像对,构建孪生网络模型和利用图像对对模型进行训练;

S3、新奇性度量:从恶意软件测试集中取出待测样本,利用训练好的孪生网络模型统计每个待测样本与恶意软件训练样本的相似度得分;

计算阈值,并根据阈值区分待测样本为已知恶意软件家族或者为新恶意软件家族。

2.根据权利要求1所述的恶意软件家族检测方法,其特征在于,步骤S1中,对恶意软件训练样本进行特征提取,得到对应的特征向量,过程如下:对恶意软件训练样本进行预处理:对每个恶意软件训练样本进行行为分析,生成对应的报告文件,提取出报告文件中的所有关键字并去重,将报告文件保存为文本文件;

遍历所有保存有关键字的文本文件,根据文本文件中的关键字构建字典,并统计每个关键字的出现次数,删除字典中出现次数等于样本数的关键字;

根据关键字出现次数,按照从大到小的顺序对字典进行排序,并取出出现次数最高的N个关键字作为新字典;

初始化一个N维的向量,该向量的N个维度分别对应N个不同的关键字,再次遍历所有保存有关键字的文本文件,判断关键字是否出现在新字典中,若有,则将向量对应维度设为1;若无,则将向量对应维度设为0;

完成遍历的N维二值向量为特征向量。

3.根据权利要求2所述的恶意软件家族检测方法,其特征在于,利用沙箱对恶意软件训练样本进行预处理,具体是将恶意软件训练样本提交至沙箱中运行,沙箱为每个恶意软件生成包含行为分析报告的文本文件。

4.根据权利要求2所述的恶意软件家族检测方法,其特征在于,提取的关键字为unigrams,报告文件为json报告文件。

5.根据权利要求1所述的恶意软件家族检测方法,其特征在于,在步骤S2中,将多个特征向量分别转换为特征图像,根据特征图像生成图像对,构建孪生网络模型和利用图像对对模型进行训练,过程如下:计算特征向量中每一位的像素值:将位数值0映射为像素值0,将位数值1映射为像素值

255;

将N维的特征向量转换为X×Y像素矩阵,N=X·Y,X为像素矩阵的行数,Y为像素矩阵的列数;

将像素矩阵转换为特征图像;

将特征图像进行两两配对,组合成大量图像对,图像对包括相似图像对和不相似图像对;

构建孪生网络模型:选择孪生网络的子网络类型,确定孪生网络模型的参数配置;

将图像对作为输入对孪生网络模型进行训练,孪生网络模型输出两个特征向量的相似度;

计算损失函数L(x1,x2,y),损失函数L(x1,x2,y)计算公式如下:L(x1,x2,y)=-(y log p(x1,x2)+(1-y)log(1-p(x1,x2)))+λ||w||2;

其中,x1和x2分别为图像对的两张特征图像;p(x1,x2)为孪生网络模型输出的相似度;y为标签;λ||w||2为L2权重衰减项;λ为权重衰减系数;w为子网络的权重;

通过最小化损失函数的计算结果,以使输出和目标输出的误差越来越小,直至孪生网络模型收敛;当孪生网络模型达到训练轮数时,训练完成。

6.根据权利要求5所述的恶意软件家族检测方法,其特征在于,子网络为卷积神经网络,孪生网络模型包括输入层、4个卷积层、3个池化层、3个全连接层和输出层;

输入层具有2个输入维度;4个卷积层分别为第一卷积层、第二卷积层、第三卷积层和第四卷积层,包含卷积核个数分别为32、64、64、128,卷积核均采用5×5的尺寸,激活函数为ReLU;3个池化层分别为第一池化层、第二池化层和第三池化层,3个池化层均采用最大池化,窗口大小均为2×2;3个全连接层分别为第一全连接层、第二全连接层和第三全连接层,第一全连接层的神经元个数为4096,第二全连接层的神经元个数为2048,第三全连接层的神经元个数为1;

输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、3个全连接层和输出层依次连接,其中,第四卷积层与4096个神经元进行全连接,激活函数为ReLU;然后再与2048个神经元进行全连接,激活函数为ReLU,输入的特征图像映射成两个2048维的特征向量h1和h2,将h1和h2的绝对差作为第三全连接层的输入,通过第三全连接层中的sigmoid函数将输出转换为一个概率,即将输出归一化到[0,1]之间。

7.根据权利要求1所述的恶意软件家族检测方法,其特征在于,在步骤S3中,从恶意软件测试集中取出待测样本,利用训练好的孪生网络模型统计每个待测样本与恶意软件训练样本的相似度得分,过程如下:步骤1、从恶意软件测试集中取出一个待测样本;

步骤2、针对于每个待测样本,利用训练好的孪生网络模型计算出待测样本与恶意软件训练集中每个类中所有恶意软件训练样本的相似度均值;

步骤3、将相似度均值中的最大值作为待测样本的相似度得分;

步骤4、重复步骤1~3,直至取完恶意软件测试集的待测样本,每个待测样本对应得到一个相似度得分。

8.根据权利要求1所述的恶意软件家族检测方法,其特征在于,计算阈值,并根据阈值区分待测样本为已知恶意软件家族或者为新恶意软件家族,具体如下:从恶意软件验证集取出多个验证样本,利用训练好的孪生网络模型统计每个验证样本与恶意软件训练样本的相似度得分;

在相似度得分的最高分数和最低分数之间,以最低分数为基础,以一个定值作为公差,依次递增得到多个分数,并将这些分数作为临时阈值,分别计算出对应的验证集的F1分数;

选取F1分数最高的临时阈值作为最终的阈值;

根据阈值区分待测样本的所属类别,当待测样本的类别不属于训练集中的已知恶意软件家族,则将其标记为新恶意软件家族;

所用的区分公式具体如下:

其中,X为待测样本,ND为恶意软件新家族检测器;score为相似度得分;τ为合适的阈值;known family为已知恶意软件家族;new family为新恶意软件家族;otherwise表示score≤τ。

9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1至8中任一项所述的恶意软件家族检测方法。

10.一种计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1至8中任一项所述的恶意软件家族检测方法。