1.基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,包括如下步骤:步骤一、构建多视图灰度图像:获取待分析安卓应用的软件包,解析并提取权限、API、组件及意图特征,基于特征间的关联关系构建原始关联矩阵,采用四值灰度编码策略赋值后,通过最大池化策略缩放至固定尺寸,生成灰度图像视图;
步骤二、训练主干网络:构建融合注意力机制的深度卷积神经网络作为主干网络,引入自监督旋转预测机制生成辅助监督信号,通过联合优化主分类任务与旋转预测任务对所述主干网络进行训练,提取具备几何结构感知的判别性特征向量;
步骤三、最佳引导匹配分类:利用训练好的主干网络提取支持集与查询集样本的特征向量,计算查询样本与支持集样本的余弦相似度,锁定局部最佳引导样本并构建有效引导者集合,结合动态群体校正计算查询样本属于各恶意软件家族类别的相似度评分;
步骤四、多视图动态融合:基于预测边距计算各视图的置信度以生成自适应权重,对多视图的相似度评分进行动态加权融合,依据融合后的最终得分完成恶意软件家族分类;
所述构建有效引导者集合,具体构建过程如下:
计算余弦相似度:针对每一个恶意软件家族类别,计算查询样本特征向量与该类别支持集中所有样本特征向量的余弦相似度,计算公式如下:;
锁定最佳引导者:在类别中,找出与查询样本相似度最高的支持集样本作为该类别的最佳引导者,其相似度得分定义为:,构建有效引导者集合:引入阈值参数对支持集样本进行筛选,以最佳引导者为基准,将满足预设相似度条件的样本纳入有效引导者集合,筛选条件如下:;
其中,为可调节的阈值比例系数。
2.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述解析并提取权限、API、组件及意图特征,具体分析过程如下:针对权限特征:采用全量提取策略,从训练集中汇总所有非重复权限作为权限特征集合;
针对API调用特征:获取预设的敏感API列表,并基于覆盖设备信息、网络通信和数据操作领域的高危前缀白名单,对提取到的API调用进行过滤;
针对组件特征与意图特征:采用全局到局部混合策略进行初步提取,结合全局高频特征与家族局部高频特征;
精炼阶段执行差异化去噪:组件特征基于常见厂商与SDK前缀白名单进行保留,滤除私有代码混淆噪声;
意图特征基于原始设备制造商OEM及冗余信息前缀黑名单进行剔除,保留通用意图行为特征。
3.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述采用四值灰度编码策略赋值,具体赋值过程如下:基于预先提取的特征清单,将特征空间分解为以权限为核心的三个二维视图,各视图构建行对应权限特征、列对应相同视图下另一维特征的原始高维矩阵;
采用四值灰度编码策略对原始高维矩阵赋值,令表示样本是否拥有第个权限,表示样本是否拥有第个对应视图特征,矩阵元素的赋值逻辑为:;
其中,数值代表灰度亮度,1表示存在,0表示不存在,所述编码策略将特征间的共现关系映射为最高亮度。
4.根据权利要求3所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述三个二维视图分别为:权限API灰度图像视图、权限组件灰度图像视图和权限意图灰度图像视图。
5.根据权利要求3所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述最大池化策略缩放至固定尺寸,具体缩放过程如下:对经四值灰度编码赋值后的原始高维矩阵采用最大池化策略,将其缩放至固定的预设尺寸目标矩阵;具体为:将划分为多个非重叠的局部矩形区域,设为目标矩阵坐标对应的局部区域,则目标矩阵该处的元素值定义为该区域内的最大值,计算公式如下:;
通过所述最大池化策略,在降维过程中保留局部区域内存在的关键共现特征信号。
6.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述构建融合注意力机制的深度卷积神经网络,具体构建过程如下:采用DenseNet-121作为基础特征提取网络,接收经四值编码与最大池化生成的固定尺寸灰度图像作为输入,该基础特征提取网络由多个密集块Dense-Block和过渡层Transition-Layer交替堆叠而成,通过密集连接机制使每一层与前面所有层直接相连,实现特征复用;
在DenseNet-121的最后一个密集块Dense-Block-4输出之后,直至全局平均池化层Global-Average-Pooling之前,嵌入卷积块注意力模块CBAM;嵌入卷积块注意力模块以串联方式依次处理特征图:先通过通道注意力机制评估特征通道重要性并自适应校准通道权重,再通过空间注意力机制定位关键空间区域。
7.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述引入自监督旋转预测机制生成辅助监督信号,具体训练过程如下:构建双分支训练目标:在主任务分类分支的基础上,增加自监督旋转预测辅助分支,构建联合优化目标;
生成自监督旋转样本:对输入的四值编码灰度图像进行离散角度旋转操作,随机旋转角度从集合中选取,生成旋转后的样本作为自监督输入,将旋转角度作为自监督标签;
计算联合损失函数:分别计算基于真实标签的主分类交叉熵损失和基于旋转角度标签的旋转预测交叉熵损失,通过加权求和得到总损失,计算公式如下:其中,为平衡两个任务权重的超参数;
训练过程中仅保留旋转预测任务,不执行基于线性插值的流形混合操作。
8.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述相似度评分,具体计算过程如下:构建综合引导者:基于所述有效引导者集合中的特征信息,计算该集合内样本特征向量的均值,构建查询样本在类别下的综合引导者:;
计算动态权重:以综合引导者为核心,利用Softmax函数计算支持集中每个样本相对于该综合引导者的权重,越接近综合引导者的样本获得越大的权重,计算公式如下:;
其中,为温度参数,用于平滑权重的分布;计算最终分类分数:将查询样本与各支持集样本的原始相似度进行加权求和,得到查询样本属于类别的最终分类分数:。
9.根据权利要求1所述的基于最佳引导匹配的多视图小样本安卓恶意软件分类方法,其特征在于,所述多视图动态融合及最终分类结果生成,具体计算过程如下:对于给定的查询样本,分别获取权限API视图、权限组件视图和权限意图视图输出的针对个恶意软件家族类别的评分向量,分别记为、和;计算预测边距:定义第个视图的预测边距为该评分向量中最大值与次大值的差值,用于量化分类器对该样本预测的确定性,计算公式如下:;
其中,表示评分向量中的最高分,后一项表示除去最高分后的次高分;计算动态权重:基于所述预测边距,利用Softmax函数对三个视图的边距进行归一化处理,计算分配给第个视图的自适应权重,以放大高置信度视图的影响力,计算公式如下:;
生成最终分类结果:利用计算得到的自适应权重对三个视图的预测分数进行加权求和,选取加权分数和最大的类别作为最终分类结果,计算公式如下:;
其中,表示第个视图针对第个类别的预测分数。