计算机应用

作者：蒋瑞林, 覃仁超

单位：西南科技大学 计算机科学与技术学院，四川 绵阳 621010

关键词：恶意代码,神经网络,深度可分离卷积,SENet,通道注意力机制,灰度共生矩阵

基金：四川省科技计划项目(2022YFG0339)

针对传统的恶意代码检测方法存在成本过高和检测结果不稳定等问题，提出一种基于深度可分离卷积的多神经网络恶意代码检测模型。该模型使用深度可分离卷积（DSC）、SENet（Squeeze-and-Excitation Network）通道注意力机制和灰度共生矩阵（GLCM），通过三个轻型神经网络与灰度图像纹理特征分类并联检测恶意代码家族及其变种，将多个强分类器检测结果通过朴素贝叶斯分类器融合，在提高检测准确率的同时减少网络计算开销。在MalVis+良性数据的混合数据集上的实验结果表明，该模型对恶意代码家族及其变种的检测准确率达到97.43%，相较于ResNet50、VGGNet模型分别提高了6.19和2.29个百分点，而它的参数量只有ResNet50模型的68%和VGGNet模型的13%；在malimg数据集上该模型的检测准确率达到99.31%。可见，所提模型检测效果较好，且参数量也有所降低。

来源：2023年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第5期