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: 2021110421007
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于图卷积神经网络的恶意软件多标签分类方法,其特征在于,所述分类方法包括如下步骤:S100:函数调用图的特征提取,反汇编原始二进制文件,得到汇编码,提取函数调用图的语义及结构特征,得到样本的图嵌入向量;

S200:多标签关系的特征提取,通过标签关系图,构建用于提取标签关系的模型,得到多标签分类器;具体包括:S2:提取多标签关系的行为特征,通过标签关系图,构建用于提取标签关系的模型,所述模型输入为所述标签关系图,表示为其中, 代表样本所有标签的集合,ε2代表所述标签关系的连边集合, 代表节点经一位有效编码后得到的向量,表示为其中,C和C分别代表节点的类别个数和标签经过编码后的维度,经多标签训练得到多标签分类器,表示为

所述步骤S2具体包括:

S21:统计所述样本的标签,得到每个所述标签的条件概率和联合概率,经公式p(A|B)=p(A,B)/p(B)得到不同所述标签之间的概率;

S22:构建相关系数矩阵Aij:

其中,Aij代表在j存在时,i发生的概率,将每个所述标签进行一位有效编码,可以得到标签关系图其中, 代表节点经过一位有效编码后得到的向量,其中,C和C分别代表节点的类别个数和所述标签经过编码后的维度;

S23:使用图卷积神经网络对获取的标签关系图 进行半监督学习,将不同节点关系映射到一个向量中,其中,学习的函数的目标分类器为 卷积公式为:其中, 即为l层的多标签分类器;

S300:将所述图嵌入向量和所述多标签分类器进行点乘,并将点乘所得的结果进行结构映射,得到分类结果;

S400:构建多标签损失函数,通过计算每个标签的分类结果和真实结果的差值,计算出步骤S200中模型的损失值。

2.根据权利要求1所述的基于图卷积神经网络的恶意软件多标签分类方法,其特征在于,所述步骤S100具体包括:S1:提取所述函数调用图的语义及结构特征,反汇编所述原始二进制文件得到汇编码,构建用于提取所述函数调用图的语义及结构特征的模型,所述模型的函数调用图表示为其中, 代表函数调用图的语句块的集合,ε1代表函数调用图的语句块的连边集合,代表所述语句块的语义特征经过词嵌入后得到的向量,表示为其中,n代表所述函数调用图的语句块的个数,r代表语句块经所述词嵌入后的向量维度,经图卷积神经网络训练得到所述函数调用图的图嵌入向量

3.根据权利要求2所述的基于图卷积神经网络的恶意软件多标签分类方法,其特征在于,所述步骤S1具体包括:S11:获取所述二进制文件的函数调用图,对所述原始二进制文件进行反汇编,得到汇编码,分析所述汇编码的跳转关系,得到二进制文件的函数调用图其中, 为所述函数调用图中语句块的节点集合,ε1为所述函数调用图中语句块的连边集合;

S12:统计所有的所述函数调用图的语句块,提取其中的操作码作为单词,每个所述操作码对应自然语言处理任务中的单词,每个所述语句块对应一个句子,采用词的向量化模型对所述语句块训练,得到每个所述语句块的向量 进而得到所述函数调用图,表示为其中,

S13:得到的所述函数调用图经过图卷积神经网络模型公式(1)处理,得到每层卷积后节点的信息更新:(l+1) l

H =f(H ,A)  (1)

其中,使用kipf图卷积和自注意力图池化机制的注意力分数计算方法得到公式(2):其中,σ是非线性激活函数, 是 的度矩阵, 代表每一层学习权重,对图卷积后的结果采用自注意力图池化机制进行全局池化,对于节点选择采用其中,池化比率k∈(0,1]是一个超参数,代表需要保留的节点数,通过掩模操作得到全局池化后的结果;

S14:对所述全局池化后的结果进行读出操作,得到所述图嵌入向量

4.根据权利要求1所述的基于图卷积神经网络的恶意软件多标签分类方法,其特征在于,所述步骤S300具体包括:S3:将所述图嵌入向量X与所述多标签分类器 进行点乘操作,表示为 得到一个多标签的分类分数,然后经非线性运算得到最终的分类结果其中, 代表所述样本训练后对应的多分类结果,采用激活函数将所述多分类结果结构映射到{0,1}中。

5.根据权利要求1所述的基于图卷积神经网络的恶意软件多标签分类方法,其特征在于,所述步骤S400的优化目标为:

1 2 C

针对每个样本的标签Y∈{y,y,…y},

其中,y∈{0,1},0代表样本不具有此行为特征,1代表样本具有此行为特征,模型的损失函数为多个二分类的损失和,则损失函数表示为如下公式:通过计算每个标签的分类结果和真实结果的差值,计算出模型的损失值。