1.一种基于MAAM和CliqueNet的恶意软件检测方法,其特征在于采用如下步骤:步骤1:将PE软件转换成灰度图像:读取PE文件的每个字节,将其存储在二维数组中,所述二维数组的宽W与高H的乘积大于等于PE文件字节数,二维数组中尾部剩余字节用预定字节填充,将所述二维数组转换为灰度图像;
步骤2:搭建基于MAAM和CliqueNet的检测模型:所述检测模型包括结合的CliqueNet模型和MAAM模块;
所述CliqueNet模型包括4个CliqueBlock块,相邻CliqueBlock块之间设有用于降维处理的Transition块;所述Transition块带有改进后通用的高效注意力模块MAAM;所述CliqueBlock块包括向前更新的stage‑I和反向更新的stage‑II;
所述CliqueBlock块包括批量归一化BN单元、激活函数ReLU、池化单元Pooling以及卷积操作Conv;
对于stage‑II中的第i层和第k个stage,交替更新的表达式为:式中:k>=2,k表示stage的次数,2个stage为一次循环;
W*X表示卷积核在输入特征图上做卷积运算,g为非线性激活函数;
每一个CliqueBlock块的输出被分为两部分,一部分是反向精炼后每一层输出的结合,被称作transit_feature,另一部分是输入层和反向精炼后每一层输出的结合,被称作block_feature;transit_feature经过带有MAAM的Transition块被传输给下一个CliqueBlock块;
block_feature经过全局平均池化被压缩成特征向量,将每一个CliqueBlock块得到的特征向量拼接在一起输入到Softmax函数中以进行最后的概率预测;
所述MAAM模块包括IECA子模块和MSA子模块;所述IECA子模块由输入的特征图M的通道C×1×1
间关系,计算得到一维的通道注意图MC∈R ,计算方法为:式中:C为特征图的通道数,
conv1D表示一维卷积,+表示逐元素求和,σ表示Sigmoid函数,k表示一维卷积的卷积核数,和 分别为对特征图M平均池特征和最大池特征的空间上下文描述符;
C×H×W
所述MSA子模块对输入的特征图M计算出三维的局部空间注意图MS1∈R 和二维的全
1×H×W C×H×W
局空间注意图MS2∈R ,最后将三维的局部空间注意图MS1∈R 和二维的全局空间注
1×H×W C×H×W
意图MS2∈R 逐元素相加得到三维空间注意图MS∈R ,H表示高,W表示宽,计算方法为:
式中, 表示element‑wise multiplication,DepthwiseConv2D表示深度卷积,[;]表示张量拼接,
和 分别表示特征图M的平均池空间信息和最大池空间信息,C×H×W
W3,W4∈R 是用于决定局部关键信息和全局关键信息占比的可学习矩阵;
在MAAM模块中使用一种自适应的方法来确定通道和空间注意子模块的排列,并通过计算出的通道注意图和空间注意图对恶意软件的特征和位置进行关注,MAAM中的计算过程如下所示:
C×H×W
式中:M′表示输出特征图,可学习矩阵W1,W2∈R ,是用来实现自适应的方法的辅助分类器;
步骤3:训练恶意软件检测网络:训练基于MAAM和CliqueNet的模型的恶意软件检测网络;
步骤4:使用步骤3训练的基于MAAM和CliqueNet的模型,预测PE软件是否为恶意软件。
2.根据权利要求1所述的一种基于MAAM和CliqueNet的恶意软件检测方法,其特征在于:所述IECA子模块中卷积操作的核数k的计算方法为:式中:| |odd表示取最接近的奇数,γ和b为常数。
3.根据权利要求1所述的一种基于MAAM和CliqueNet的恶意软件检测方法,其特征在于:所述Transition块包括一个1×1的卷积和2×2的平均池化或最大池化操作。
4.根据权利要求3所述的一种基于MAAM和CliqueNet的恶意软件检测方法,其特征在于:所述Transition块结构为BN+ReLU+1×1Conv+MAAM+2×2AvgPooling。
5.根据权利要求1所述的一种基于MAAM和CliqueNet的恶意软件检测方法,其特征在于:步骤2中stage‑I实现向前的密集连接式传播,每个层都会接受其前面所有层作为其额外的输入;
stage‑II实现模型的反向精炼,每一个卷积运算的输入不仅包括前面已更新过的所有层的输出特征图,同样还包括后面层级的输出特征图。
6.一种基于MAAM和CliqueNet的恶意软件家族分类方法,其特征在于:包括如下步骤:步骤1:构建训练数据集:选择恶意软件进行家族分类标注;
步骤2:家族分类网络训练:训练基于MAAM和CliqueNet的模型的恶意软件家族分类网络参数;所述基于MAAM和CliqueNet的模型结构与权利要求1中基于MAAM和CliqueNet的模型结构相同;
步骤3:家族分类预测:使用步骤2训练的基于MAAM和CliqueNet的模型,预测恶意软件检测模型检测出的恶意软件所属的家族。