.png){kind=icon}
返回
Detecting malicious code variants using convolutional neural network (CNN) with transfer learning
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2727.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件对缺乏强大防御机制的计算机网络和设备构成重大威胁，尽管反恶意软件解决方案已广泛应用。互联网的快速增长导致了恶意代码攻击的增加，使其成为网络安全中最严峻的挑战之一。准确识别和分类恶意软件变体对于防范数据盗窃、安全漏洞及其他网络风险至关重要。然而，现有的恶意软件检测方法往往效率低下或不准确。先前的研究探讨了将恶意代码转换为灰度图像的方法，但这些方法通常计算密集，尤其是在二进制形式下。为应对这些挑战，我们提出了恶意软件变体检测系统（MVDS），一种将恶意代码转换为彩色图像的新型技术，其恶意软件检测能力优于传统方法。我们的方法利用彩色图像更丰富的信息，实现了比基于灰度图像的方法更高的分类准确率。我们进一步通过采用迁移学习，根据恶意软件图像的特有特征自动识别和分类，改进了检测过程。实证结果表明，MVDS以高检测速度实现了97.98%的准确率，突显了其在加强网络安全方面实践应用的潜力。
Keyword:
CNN
Malicious code variants
Malware variant detection system
Transfer learning
Visualization
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
暂无机构信息
引用论文
KeySplitWatermark: Zero Watermarking Algorithm for Software Protection Against Cyber-AttacksKeySplitWatermark: 针对网络攻击的软件保护的零水印算法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Research on data mining of permissions mode for Android malware detection面向Android恶意软件检测的权限模式数据挖掘研究
PREAI
分享收藏A Survey on malware analysis and mitigation techniques恶意软件分析与缓解技术综述COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏A Multi-Objective DV-Hop Localization Algorithm Based on NSGA-II in Internet of ThingsMathematicsOAAI
MathematicsIF0
OAAI分享收藏
查看更多内容