.png){kind=icon}
返回
KANPoolConvNeXt: an innovative malware detection method
.png){kind=icon}
PRE
AI
DOI：10.1007/s11416-025-00589-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究的主要目标是使用一种创新性的深度学习模型检测恶意软件。因此，我们提出了一种基于Kolmogorov-Arnold网络（KAN）的新型卷积神经网络（CNN）。据我们所知，我们是首个测试基于KAN的CNN用于恶意软件检测的团队。本研究使用了一个公开可用的恶意软件数据集，该数据集以图像格式呈现。通过部署此数据集创建了三个案例。为计算这些案例的分类结果，设计了一种基于KAN的CNN。该深度学习架构包含四个阶段：（i）输入，（ii）主块，（iii）下采样，以及（iv）输出。在起始阶段，创建了第一个张量。该模型的核心创新在于主块，其中利用两种激活函数生成特征图。下采样将张量的宽度和高度减半并增加其深度。所提出CNN的最终阶段是输出阶段，在此生成分类结果。我们将此CNN应用于恶意软件数据集；因此，该CNN被称为KANPoolConvNeXt。使用该数据集创建了三个案例，所提出的KANPoolConvNeXt在所有三个案例中都达到了超过97%的分类准确率。获得的分类结果表明，所提出的KANPoolConvNeXt是一种创新的信息安全解决方案。该深度学习模型也可应用于其他分类问题。
Keyword:
KANPoolConvNeXt
Malware detection
Deep learning
CNN
期刊
J
IF:
1.9
论文数:
40
被引数:
0
机构
引用论文
Image-Based malware classification using ensemble of CNN architectures (IMCEC).png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏An Effective Temporal Convolutional Networks-Based Method for Detecting Android Malware Using Dynamic Extracted Features一种基于时域卷积网络的基于动态提取特征的Android恶意软件检测方法IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Hybrid Android Malware Detection: A Review of Heuristic-Based Approach混合Android恶意软件检测: 基于启发式的方法综述IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Hybrid feature extraction and integrated deep learning for cloud-based malware detection混合特征提取和集成深度学习的云端恶意软件检测COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Enhancing malware detection with feature selection and scaling techniques using machine learning models使用机器学习模型通过特征选择和缩放技术增强恶意软件检测SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容