1.一种基于对抗训练的恶意软件开放集家族分类方法,其特征在于,步骤包括:
获取已知旧家族的恶意软件,作为训练样本;
提取训练样本的家族特征,并将其转化为特征图像,得到训练样本的特征图像;
通过生成对抗网络、第一分类器网络和第二分类器网络组成联合训练网络,其中生成对抗网络生成器网络的输出分别作为生成对抗网络判别器网络、第一分类器网络和第二分类器网络的输入;
通过训练样本针对生成对抗网络、第一分类器网络和第二分类器网络进行联合训练,将最后训练完成的第二分类器,作为恶意软件开放集分类器;
针对待分类的恶意软件,作为测试样本;
提取测试样本的家族特征,并将其转换为特征图像,得到测试样本的特征图像;
将测试样本的特征图像输入到恶意软件开放集分类器中,由恶意软件开放集分类器得到测试样本的家族分类结果,确定测试样本属于新家族还是旧家族,当属于旧家族时,确定测试样本所属旧家族。
2.根据权利要求1所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,生成对抗网络为DCGAN网络结构;
第一分类器网络和第二分类器网络分别由VGG网络结构得到;其中第二分类器网络中,VGG网络结构的后三层全连接层中,将倒数第三层全连接层替换成卷积层加最大池化层。
3.根据权利要求1所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,通过训练样本针对生成对抗网络、第一分类器网络和第二分类器网络进行联合训练的具体过程:步骤1)、训练生成对抗网络中的判别器网络:从先验分布中获取样本,将样本送入生成对抗网络中生成器网络生成假样本,将假样本和旧家族训练样本送入生成对抗网络中判别器网络进行判断,训练判别器网络;
步骤2)、训练生成对抗网络中的生成器网络:从先验分布中获取样本,将样本送入生成对抗网络中生成器网络生成假样本,假样本分别经过判别器网络和第一分类器,误差用于训练生成器网络;
步骤3)、训练第一分类器网络:从先验分布中获取样本,将样本送入生成对抗网络中生成器网络生成假样本,将生成器网络生成的假样本和旧家族训练样本分别送入第一分类器网络,计算分类误差和均匀分布误差,根据分类误差和均匀分布误差对第一分类器网络进行训练;
步骤4)、训练第二分类器网络:从先验分布中获取样本,将样本送入生成对抗网络中生成器网络生成假样本,将假样本作为模拟新家族样本;
将模拟新家族样本和旧家族训练样本送入第二分类器网络,对第二分类器网络进行训练;其中,第二分类器网络在对旧家族训练样本进行分类时,计算中心损失、交叉熵损失以及限制特征量大小;第二分类器网络在对模拟新家族样本进行分类时,计算相对熵和压缩特征量大小;并且在训练过程中,将相对熵、中心损失、交叉熵损失、特征量损失以一定权重组合后进行反向传播;
迭代执行上述步骤1)至步骤4),直到完成训练。
4.根据权利要求3所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,第二分类器网络在训练过程中,通过最小化模拟新家族样本的预测分布与标准均匀分布之间的KL散度,扩大旧家族训练样本与模拟新家族样本得分的分离程度;
第二分类器网络在训练过程中,对旧家族训练样本和模拟新家族样本的深度特征分别进行了特征大小的惩罚,使得模拟新家族样本的深度特征量压缩到0,旧家族训练样本的深度特征量大于设定的下界;并且,计算旧家族训练样本的中心损失,将同一类旧家族训练样本的深度特征汇聚至中心点。
5.根据权利要求4所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,第二分类器网络在训练过程中,通过中心损失为每个旧家族找到该类的深度特征中心点,实现每个旧家族训练样本的深度特征在训练过程中离相应中心点距离的平方和尽可能小,达到类内样本的聚集。
6.根据权利要求3所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,第二分类器网络训练得到的恶意软件开放集分类器在针对测试样本进行分类时,判定恶意软件开放集分类器输出的最大概率得分的大小,若该最大概率得分均低于阈值,则判断测试样本属于新家族,否则,将该最大概率得分对应家族判定测试样本的所属旧家族。
7.根据权利要求1所述的基于对抗训练的恶意软件开放集家族分类方法,其特征在于,针对于训练样本和测试样本提取家族特征时,采用特征抽取工具抽取样本的623维特征,并且扩充到1024位;然后对特征进行归一化处理,每一维特征对应一个图像像素的灰度值。
8.一种基于对抗训练的恶意软件开放集家族分类装置,其特征在于,包括:
第一获取模块,用于获取已知旧家族的恶意软件,作为训练样本;
第一特征提取模块,用于提取训练样本的家族特征,并将其转化为特征图像,得到训练样本的特征图像;
联合训练网络构建模块,用于通过生成对抗网络、第一分类器网络和第二分类器网络组成联合训练网络,其中生成对抗网络生成器网络的输出分别作为生成对抗网络判别器网络、第一分类器网络和第二分类器网络的输入;
训练模块,用于通过训练样本针对生成对抗网络、第一分类器网络和第二分类器网络进行联合训练,将最后训练完成的第二分类器,作为恶意软件开放集分类器;
第二获取模块,用于针对待分类的恶意软件,作为测试样本;
第二特征提取模块,用于提取测试样本的家族特征,并将其转换为特征图像,得到测试样本的特征图像;
分类模块,用于将测试样本的特征图像输入到恶意软件开放集分类器中,由恶意软件开放集分类器得到测试样本的家族分类结果,确定测试样本属于新家族还是旧家族,当属于旧家族时,确定测试样本所属旧家族。
9.一种计算设备,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1-7中任一项所述的基于对抗训练的恶意软件开放集家族分类方法。
10.一种存储介质,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
1-7中任一项所述的基于对抗训练的恶意软件开放集家族分类方法。