1.一种恶意软件分类方法,其特征在于,所述方法包括:获取待分类恶意软件的代码,对所述代码进行分段获得代码段,基于各所述代码段的熵值生成所述代码对应的熵图;
对所述熵图进行特征提取,获得对应的目标特征;
对所述目标特征进行分类,确定所述待分类恶意软件的类别。
2.根据权利要求1所述的方法,其特征在于,对所述熵图进行特征提取,获得对应的目标特征,包括:采用训练好的卷积神经网络,对所述熵图进行特征提取,获得对应的目标特征。
3.根据权利要求2所述的方法,其特征在于,所述卷积神经网络包括特征提取层和归一化层,训练获得所述卷积神经网络的方法包括:获取恶意软件样本代码以及对应的标签类别,对所述样本代码进行分段获得样本代码段,基于各所述样本代码段的熵值生成所述样本代码对应的样本熵图;
采用待训练卷积神经网络的特征提取层,对所述样本熵图进行特征提取,获得第一样本目标特征;
采用所述待训练卷积神经网络的归一化层,对所述第一样本目标特征进行分类,确定所述样本代码的第一训练类别;
基于所述第一训练类别和所述标签类别,调整所述待训练卷积神经网络的参数,获得训练好的卷积神经网络。
4.根据权利要求3所述的方法,其特征在于,所述卷积神经网络的特征提取层包括13个卷积层、5个最大池化层和1个全局平均池化层;每个所述卷积层采用3×3的卷积核,各所述卷积层的卷积核数量分别为16、16、32、32、128、128、256、256、512、512和512,具有相同卷积核数量的卷积层组成一个卷积块;各所述最大池化层分别连接于相邻的两个卷积块之间;
所述全局平均池化层连接于最后一个卷积层与所述归一化层之间;
采用训练好的卷积神经网络,对所述熵图进行特征提取,获得对应的目标特征,包括:采用训练好的卷积神经网络的特征提取层,对所述熵图进行特征提取,获得对应的目标特征。
5.根据权利要求1至4任意一项所述的方法,其特征在于,对所述目标特征进行分类,确定所述待分类恶意软件的类别,包括:采用训练好的分类器,对所述目标特征进行分类,确定所述待分类恶意软件的类别。
6.根据权利要求5所述的方法,其特征在于,训练获得所述分类器的方法包括:获取恶意软件样本代码以及对应的标签类别,对所述样本代码进行分段获得样本代码段,基于各所述样本代码段的熵值生成所述样本代码对应的样本熵图;
采用训练好的卷积神经网络的特征提取层,对所述样本熵图进行特征提取,获得第二样本目标特征;
采用待训练分类器,对所述第二样本目标特征进行分类,确定所述样本代码的第二训练类别;
基于所述第二训练类别和所述标签类别,调整所述待训练分类器的参数,获得训练好的分类器。
7.根据权利要求5所述的方法,其特征在于,所述分类器包括目标数量的一对一支持向量机,所述目标数量基于所述标签类别的总个数确定,每个所述一对一支持向量机对应两个标签类别;
采用训练好的分类器,对所述目标特征进行分类,确定所述待分类恶意软件的类别,包括:采用训练好的目标数量的一对一支持向量机,分别对所述目标特征进行分类,获得所述目标数量的预测结果,每个所述预测结果对应一个预测类别;
选取所述目标数量的预测结果对应的预测类别中个数最多的预测类别,确定为所述待分类恶意软件的类别。
8.一种恶意软件分类系统,其特征在于,所述系统包括:熵图生成模块,用于获取待分类恶意软件的代码,对所述代码进行分段获得代码段,基于各所述代码段的熵值生成所述代码对应的熵图;
特征提取模块,用于对所述熵图进行特征提取,获得对应的目标特征;
分类模块,用于对所述目标特征进行分类,确定所述待分类恶意软件的类别。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。