摘要
近年来由于计算机和人们的工作生活结合得更加紧密,为保障信息安全,恶意软件分类的重要性与日俱增,但是现有的恶意软件分类方法大多都存在模型复杂、耗费时间长以及效果不突出等困境.为提高恶意软件分类效率,提出一个结合特征提取和卷积神经网络的恶意软件分类框架.针对目前恶意软件分类算法准确率低、处理时间慢等问题,引入并改进了NLP领域中的一种特征权重算法.通过计算操作码的特征权重,选取具有较大信息增益的操作码作为特征词,然后提取恶意样本的特征图,最后传入卷积神经网络进行训练和分类.实验结果表明,该方法在big2015数据集上的准确率为99.26％,比基于TFIDF特征提取的方法略好,接近该数据集上的冠军方法,在不均衡类别上的分类表现优于基于频率的特征词选择的提取算法,并且在预处理时间上短于其他方法.
基金项目
国家自然科学基金(61572381)
湖北省教育厅项目(2020354)
湖北省大学生创新创业训练计划(S202110488047)
维普
万方数据