| 基于擠壓激勵(lì)網(wǎng)絡(luò)的惡意代碼家族檢測(cè)方法 | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：zhoubin333 | |
| 文檔大小：902 K | |
| 標(biāo)簽： 惡意代碼 機(jī)器學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：惡意代碼已經(jīng)成為威脅網(wǎng)絡(luò)安全的重要因素。基于機(jī)器學(xué)習(xí)的惡意代碼檢測(cè)方法已經(jīng)取得較好的效果，但面對(duì)相似的惡意代碼家族，往往效果不佳。對(duì)此，提出了一種基于擠壓激勵(lì)網(wǎng)絡(luò)的檢測(cè)算法，由卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)與擠壓和激勵(lì)(Squeeze-and-Excitation，SE)模塊構(gòu)成。CNN先快速提取惡意代碼的圖像特征，SE模塊對(duì)多通道特征圖進(jìn)行全局平均池化，將全局信息壓縮，然后通過全連接層自適應(yīng)學(xué)習(xí)，并將每個(gè)通道特征圖賦予不同的權(quán)重來表示不同的重要程度，指導(dǎo)激勵(lì)或抑制特征信息。實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法有更好的檢測(cè)效果，與深度學(xué)習(xí)算法相比檢測(cè)效果也有一定的提升且參數(shù)量大大減少。 | |
| 現(xiàn)在下載 | |
| VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
zhoubin333 的最新分享
- 基于雙模單包授權(quán)的公路零信任安全應(yīng)用研究*
- 基于區(qū)塊鏈的法檢司數(shù)據(jù)安全共享技術(shù)研究*
- 揭開“算法的面紗”：關(guān)于構(gòu)建算法解釋框架的思考
- 企業(yè)“數(shù)據(jù)池”的商業(yè)秘密保護(hù)路徑探究
- 注意力經(jīng)濟(jì)下陪伴式人工智能平臺(tái)的侵權(quán)責(zé)任
- 數(shù)據(jù)抓取行為競(jìng)爭(zhēng)法規(guī)制中的利益衡量研究
- 基于同態(tài)的多對(duì)多電子投票方案設(shè)計(jì)*
- 基于策略和屬性隱藏的區(qū)塊鏈訪問控制方法研究
Copyright ? 2005-2024 華北計(jì)算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號(hào)-2