SRViT-MCNet: An IoT Malware Classification Model

doi:10.1007/978-981-95-3061-8_16

2026-01-01

PRE

DOI：10.1007/978-981-95-3061-8_16

原文链接

原文求助

摘要

En 中文

在物联网（IoT）领域，设备的异构性和资源的广泛部署显著影响传统恶意软件分类方法。为有效提取物联网恶意软件的局部和全局特征并提高分类精度，提出了一种混合模型SRViT-MCNet。该模型首先通过应用遮挡敏感度（Occlusion Sensitivity）方法可视化物联网恶意软件，以捕捉模型预测置信度显著下降的区域。随后采用拓扑数据分析（TDA）生成持久图像（PI）。模型采用并行特征提取策略，结合SRViT模块与MCNet模块以捕获多维特征。集成到CNN中的MC模块增强了模型捕获精细局部特征的能力。此外，SCFN设计替换了RepViT中的FFN，进一步提升了模型对局部特征的敏感度和表征能力，同时保留全局上下文。实验结果表明，SRViT-MCNet在BIG2015和Malimg数据集上的分类准确率分别达到99.54%和99.32%。

Keyword:

IoT

Malware classification

Visual interpretability

ViT

Deep learning

期刊

KNOWLEDGE SCIENCE, ENGINEERING AND MANAGEMENT, KSEM 2025, PT V

IF:

论文数:

被引数:

机构

Hebei Normal University

学者数:

6.4K

论文数: 3.5K

被引数: 9

引用论文

Malware visualization methods based on deep convolution neural networks 基于深度卷积神经网络的恶意软件可视化方法

MULTIMEDIA TOOLS AND APPLICATIONS

IF3

2019-12-16

PREAI

Ren, Zhuojun; Chen, Guang; Lu, Wenke

An analysis modality for vascular structures combining tissue-clearing technology and topological data analysis 结合组织清除技术和拓扑数据分析的血管结构分析模式

NATURE COMMUNICATIONS

IF15.7

2022-09-12

OAAI

Takahashi, Kei; Abe, Ko; Kubota, Shimpei, I; Fukatsu, Noriaki; Morishita, Yasuyuki; Yoshimatsu, Yasuhiro; Hirakawa, Satoshi; Kubota, Yoshiaki; Watabe, Tetsuro; Ehata, Shogo; Ueda, Hiroki R.; Shimamura, Teppei; Miyazono, Kohei

High accuracy android malware detection using ensemble learning

IET Information Security

IF0

2015-11-01

OAAI

Suleiman Y. Yerima; Sakir Sezer; Igor Muttik

Malware detection using image representation of malware data and transfer learning

JOURNAL OF PARALLEL AND DISTRIBUTED COMPUTING

IF4

2023-02-01

OAAI

Rustam, Furqan; Ashraf, Imran; Jurcut, Anca Delia; Bashir, Ali Kashif; Bin Zikria, Yousaf