恶意代码可视化分类研究
电子技术应用
丁全1，丁伯瑞2，查正朋2，刘德阳3
1.国网安徽省电力有限公司 电力科学研究院； 2.中国科学技术大学 先进技术研究院；3.安庆师范大学 计算机与信息学院
摘要： 新型恶意代码设计变得日益复杂，传统的识别并检测方法已经满足不了当前的需求。因此，在对BODMAS数据集分析的基础上，将其进行可视化处理并进行分类。同时考虑到现有恶意代码可视化分类模型主要依赖全局特征，在卷积神经网络基础上设计了一个CA（通道级局部特征关注）模块和一个MA（多尺度局部特征关注）模块，构建了两个新模型，巧妙地结合全局与局部特征。在BODMAS数据集上，新模型在恶意代码种类识别并分类平均准确率相比于BODMAS数据集论文描述的方法得到了提高，证明了数据集可视化可行性和新模型的有效性，为未来研究提供了重要的数据和实验基础。
中圖分類號：TN918；TP183 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.244838
中文引用格式： 丁全，丁伯瑞，查正朋，等. 惡意代碼可視化分類研究[J]. 電子技術應用，2024，50(5)：41-46.
英文引用格式： Ding Quan，Ding Borui，Zha Zhengpeng，et al. Research on visualization-based classification of malicious code[J]. Application of Electronic Technique，2024，50(5)：41-46.
中文引用格式： 丁全，丁伯瑞，查正朋，等. 惡意代碼可視化分類研究[J]. 電子技術應用，2024，50(5)：41-46.
英文引用格式： Ding Quan，Ding Borui，Zha Zhengpeng，et al. Research on visualization-based classification of malicious code[J]. Application of Electronic Technique，2024，50(5)：41-46.
Research on visualization-based classification of malicious code
Ding Quan1，Ding Borui2，Zha Zhengpeng2，Liu Deyang3
1.Electric Power Science Research Institute， State Grid Anhui Electric Power Co.， Ltd.； 2.Institute of Advanced Technology， University of Science and Technology of China； 3.School of Computer and Information， Anqing Normal University
Abstract： The design of new malicious code is becoming increasingly complex, and traditional recognition and detection methods can no longer meet current requirements. Therefore, based on the analysis of the BODMAS dataset, this paper performs visualization processing and classification. At the same time, considering that the existing malware visualization classification models mainly rely on global features, this paper designs a CA (Channel-level local feature Attention) module and a MA (Multi-scale local feature Attention) module based on the convolutional neural network, and constructs two new models that cleverly combine global and local features. On the BODMAS dataset, the new models have achieved an increase in the average accuracy of recognizing and classifying malware types compared to the methods described in the BODMAS dataset paper. This proves the feasibility of dataset visualization and the effectiveness of the new models, providing important data and experimental basis for future research.
Key words : BODMAS dataset；CA module；MA module；visualization of malicious code
引言
隨著互聯網技術的快速發展，計算機病毒已成為全球范圍內的嚴重威脅，給政府、企業和個人用戶的信息安全帶來了巨大風險。根據國家互聯網應急中心統計顯示，2023年11月僅一周接到的涉及黨政機關和企事業單位的漏洞總數23 920個，比上周（20 305個）環比增加18%[1]。而且，不斷涌現的新型惡意代碼，特別是能規避殺毒軟件的變種，對防范惡意代碼的工作提出了極大挑戰。研究對惡意代碼家族進行分類歸納，快速、準確地辨識已知惡意代碼家族及其衍生變種，將極大地加強應對惡意代碼的防范能力。因此，對未知病毒的快速檢測和分類識別成為網絡安全領域亟需解決的問題。
研究惡意代碼家族分類可幫助快速識別已知惡意代碼及其變種，增強防范能力。然而，傳統靜態分析檢測方式容易受加殼、變形影響，動態檢測雖可發現行為，但復雜且耗時。機器學習算法基于提取文件樣本特征，提高檢測精度，但仍需專家干預，無法完全自動化[2]。
本文詳細內容請下載：
http://m.tom3567.com/resource/share/2000005985
作者信息：
丁全1，丁伯瑞2，查正朋2，劉德陽3
（1.國網安徽省電力有限公司 電力科學研究院，安徽 合肥 230000；
此內容為AET網站原創，未經授權禁止轉載。