0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

恶意软件分类中的计算机视觉技术分析

独爱72H 来源:网络整理 作者:佚名 2020-04-09 21:46 次阅读

(文章来源:网络整理)
恶意软件是指被设计成对其所在系统造成损害的任何软件。主要类型是蠕虫,木马和广告软件。如今,每年大约有35万个样本被生产出来,这对反病毒公司来说变得越来越困难,因为只有50%的新恶意软件被报告,而从这50%中,只有20%会被现有的反病毒软件检测到。用于对恶意软件进行分类的一些传统方法是

沙箱检测:此处可在虚拟环境中运行任何可疑软件,在该环境中可以监视其行为,并且根据其行为,将确定该软件是否为恶意软件。但是这种方法可以被恶意软件绕过,因为恶意软件太大了以至于无法在虚拟环境中处理,恶意软件文件还可以以一种模糊的、无法识别的文件格式保存,等等。沙箱检测属于基于行为的恶意软件检测。基于签名的检测:反病毒公司为恶意软件创建一个签名,并在其数据库中更新它。因此,杀毒软件将扫描软件的签名与杀毒公司数据库中的签名进行比较。正如上面所讨论的,每天大约有350000个恶意软件被创建,对于反病毒公司来说,为每个恶意软件创建签名是极其困难的。如今,反病毒公司正在使用深度学习技术来对付恶意软件。在这里,我们将探讨基于卷积神经网络的分类。

在论文《 Malware Images: Visualization and Automatic Classification》中首次看到了分类为灰度图像的特定类别恶意软件图像的相似性。在论文中,他们展示了特洛伊木马病毒的外观。

恶意软件分类中的计算机视觉技术分析

text部分包含要执行的代码,.text部分的末尾为全黑,表示末尾的填充为零。.data部分包含未初始化的代码,.rsrc部分包含模块的所有资源,例如应用程序可以使用的图标。

恶意软件分类中的计算机视觉技术分析

上面的图片来自《Malware Classification Using Image Representation》论文,其中他们显示了不同家族的恶意软件图片,对于一个家族,我们可以在图片中看到相似之处。

同样在论文《Convolution Neural Networks for Malware Classification》中,他们还展示了常见的恶意软件家族的图片,例如Rammit,Gatak(木马版本)等。

恶意软件分类中的计算机视觉技术分析

因此,在《Malware Images: Visualization and Automatic Classification》一文中,他们使用GIST来计算纹理特征,并使用具有欧氏距离的k近邻对其进行分类。所以GIST基本上就是利用Gabor滤波器对图像进行小波分解。Gabor滤波器是一种线性滤波器,它主要分析图像在特定方向上的频率内容。主要用于边缘检测、纹理分析和特征提取。他们使用了来自25个家族的9,458个恶意软件,准确率高达98%

在《Convolution Neural Networks for Malware Classification>论文中,他们训练了三个模型。

CNN 1C 1D由NxN像素(N = 32)的输入层,卷积层(大小为11x11的64个filter maps),最大池化层,Densely-connected层(4096个神经元),9个神经元的输出层组成。结果的准确度为0.9857,交叉熵为0.0968CNN 1C 2D由NxN像素(N = 32)的输入层,卷积层(大小为3x3的64个filter maps),最大池化层,卷积层(大小为3x3的128个filter maps),最大池化层,Densely-connected层(512个神经元),输出层为9个神经元。结果是准确性:0.9976,交叉熵:0.0231CNN 3C 2D由NxN像素(N = 32)的输入层,卷积层(大小为3x3的64个filter maps),最大池化层,卷积层(大小为3x3的128个filter maps),最大池化层,卷积层组成(大小为3x3的256个filter maps),最大池化层,Densely-connected层(1024个神经元),Densely-connected层(512个神经元),输出层为9个神经元。结果是准确性:0.9938,交叉熵:0.0257在论文《Malware Classification Using Image Representation》中,他们使用了2个模型,一个具有4层(2个卷积层和2个dense层)的CNN模型和一个Resnet18。普通的CNN的准确度为95.24%,Resnet的准确度为98.206%。

如您所见,这些论文发表的结果大约检测到95-98%的恶意软件,这表明计算机视觉技术比传统方法更好。与传统方法相比,深度学习能够实现非常好的准确性,并且占用的硬件更少。
(责任编辑:fqj)

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 计算机
    +关注

    关注

    19

    文章

    7413

    浏览量

    87695
  • 视觉技术
    +关注

    关注

    0

    文章

    87

    浏览量

    13500
收藏 人收藏

    评论

    相关推荐

    简述计算机总线的分类

    计算机总线作为计算机系统连接各个功能部件的公共通信干线,其结构和分类对于理解计算机硬件系统的工作原理至关重要。以下是对
    的头像 发表于 08-26 16:23 939次阅读

    计算机视觉有哪些优缺点

    计算机视觉作为人工智能领域的一个重要分支,旨在使计算机能够像人类一样理解和解释图像和视频的信息。这一技术的发展不仅推动了多个行业的变革,也
    的头像 发表于 08-14 09:49 706次阅读

    计算机视觉技术的AI算法模型

    计算机视觉技术作为人工智能领域的一个重要分支,旨在使计算机能够像人类一样理解和解释图像及视频的信息。为了实现这一目标,
    的头像 发表于 07-24 12:46 598次阅读

    机器视觉计算机视觉有什么区别

    机器视觉计算机视觉是两个密切相关但又有所区别的概念。 一、定义 机器视觉 机器视觉,又称为计算机
    的头像 发表于 07-16 10:23 459次阅读

    计算机视觉的五大技术

    计算机视觉作为深度学习领域最热门的研究方向之一,其技术涵盖了多个方面,为人工智能的发展开拓了广阔的道路。以下是对计算机视觉五大
    的头像 发表于 07-10 18:26 1182次阅读

    计算机视觉的工作原理和应用

    计算机视觉(Computer Vision,简称CV)是一门跨学科的研究领域,它利用计算机和数学算法来模拟人类视觉系统对图像和视频进行识别、理解、
    的头像 发表于 07-10 18:24 1612次阅读

    计算机视觉和机器视觉区别在哪

    ,旨在实现对图像和视频的自动分析和理解。 机器视觉 机器视觉计算机视觉的一个分支,主要应用于工业自动化领域。它利用
    的头像 发表于 07-09 09:22 398次阅读

    计算机视觉和图像处理的区别和联系

    计算机视觉和图像处理是两个密切相关但又有明显区别的领域。 1. 基本概念 1.1 计算机视觉 计算机视觉
    的头像 发表于 07-09 09:16 1131次阅读

    计算机视觉在人工智能领域有哪些主要应用?

    计算机视觉是人工智能领域的一个重要分支,它主要研究如何让计算机能够像人类一样理解和处理图像和视频数据。计算机视觉
    的头像 发表于 07-09 09:14 1157次阅读

    计算机视觉属于人工智能吗

    和解释视觉信息,从而实现对图像和视频的自动分析和处理。 计算机视觉的基本概念 2.1 计算机视觉
    的头像 发表于 07-09 09:11 1134次阅读

    计算机视觉怎么给图像分类

    图像分类计算机视觉领域中的一项核心任务,其目标是将输入的图像自动分配到预定义的类别集合。这一过程涉及图像的特征提取、特征表示以及分类器的
    的头像 发表于 07-08 17:06 501次阅读

    深度学习在计算机视觉领域的应用

    随着人工智能技术的飞速发展,深度学习作为其中的核心技术之一,已经在计算机视觉领域取得了显著的成果。计算机
    的头像 发表于 07-01 11:38 666次阅读

    机器视觉计算机视觉的区别

    很多方面有着相似之处,如基础理论、技术框架等,但它们在学科分类、应用领域、侧重点等方面存在明显的区别。本文将对机器视觉计算机视觉进行详细的
    的头像 发表于 06-06 17:24 1227次阅读

    计算机视觉的主要研究方向

    计算机视觉(Computer Vision, CV)作为人工智能领域的一个重要分支,致力于使计算机能够像人眼一样理解和解释图像和视频的信息。随着深度学习、大数据等
    的头像 发表于 06-06 17:17 842次阅读

    计算机视觉的十大算法

    视觉技术的发展起到了重要的推动作用。一、图像分割算法图像分割算法是计算机视觉领域的基础算法之一,它的主要任务是将图像分割成不同的区域或对象。常见的图像分割算法包括基
    的头像 发表于 02-19 13:26 1195次阅读
    <b class='flag-5'>计算机</b><b class='flag-5'>视觉</b>的十大算法