CN104077524B - 用于病毒鉴定的训练方法和病毒鉴定方法及装置 - Google Patents
用于病毒鉴定的训练方法和病毒鉴定方法及装置 Download PDFInfo
- Publication number
- CN104077524B CN104077524B CN201310098003.9A CN201310098003A CN104077524B CN 104077524 B CN104077524 B CN 104077524B CN 201310098003 A CN201310098003 A CN 201310098003A CN 104077524 B CN104077524 B CN 104077524B
- Authority
- CN
- China
- Prior art keywords
- feature
- program
- mathematical
- unit
- described program
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/561—Virus type analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Virology (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施例公开了一种用于病毒鉴定的训练方法和计算机病毒鉴定方法及相应装置,所述用于病毒鉴定的训练方法包括:提取纯黑样本中的一个程序的特征;根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合预置的病毒的数学特征的要求,如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。能够快速扫描病毒。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种用于病毒鉴定的训练方法和病毒鉴定方法及装置。
背景技术
互联网技术的快速发展,为病毒的快速传播也提供了便利的途径,为了能够及时发现病毒,避免病毒对用户设备的攻击。现有技术中对计算机病毒扫描的方法主要分为两种:
一种是采用人工提取特征的扫描方法。该技术是在人为发现新病毒后,对其进行分析,根据其特点提取特征码,加入到数据库中。在执行查毒程序时,通过对比文件与病毒数据库中的病毒特征码,检查文件是否含有病毒。对传统病毒来说,病毒码扫描技术速度快,误报率低,是检测已知病毒的最简单、开销小的方法。目前的大多数杀毒软件产品都配备了这种扫描引擎。
但是,这种方法不能识别未知的病毒,而且随着病毒种类的增多,特别是变形病毒和隐藏性的病毒的发展,病毒特征数据库越来越庞大,给特征扫描方法带来了严峻挑战。
另一种是行为启发式扫描方法,该技术主要是通过获取计算机病毒在运行状态的行为数据,通过人工或特定的程序对行为数据进行归纳和总结,制定出规则来检测计算机病毒。这种方法能检测出已知病毒的变种和一些未知的病毒。但由于在很多情况下,要准确的归纳和总结出病毒的有害行为是件相当困难的事。所以这种方法经常产生误报,把一些正常的计算机程序误报成有危险。另外有一点就是这种方法首先要获取到计算机病毒运行状态的行为,在这个获取计算机病毒行为的过程和技术是相当复杂而且非常耗时。对大批量的样本进行鉴定所带来的巨大时间开销也是很多用户无法忍受的。
发明内容
本发明实施例提供了一种用于病毒鉴定的训练方法和病毒鉴定方法及装置,能够可以现有技术中病毒特征数据库越来越庞大,给特征扫描方法带来了严峻挑战的问题。
本发明实施例提供了一种用于病毒鉴定的训练方法,所述方法包括:
提取纯黑样本中的一个程序的特征;
根据所述程序的特征,获取所述程序的数学特征;
判断所述数学特征是否符合预置的病毒的数学特征的要求,
如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。
本发明实施例还提供了一种计算机病毒鉴定方法,所述方法还包括:
提取输入的程序的特征;
根据所述程序的特征,获取所述程序的数学特征;
判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;
如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称。
本发明实施例还提供了一种神经网络的训练装置,所述装置包括:所述装置包括:第一特征单元,第一数学特征单元,第一判断特征单元,第一获取共性单元,和第一纪录特征单元;
所述第一特征单元,用于提取纯黑样本中的一个程序的特征;
所述第一数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第一判断特征单元,用于判断所述数学特征是否符合预置的病毒的数学特征的要求,
所述第一获取共性单元,用于如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
所述第一纪录特征单元,用于如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。
本发明实施例还提供了一种计算机病毒鉴定装置,所述装置包括:第二特征单元,第二数学特征单元,第二判断特征单元,和第一输出单元;
所述第二特征单元,用于提取输入的程序的特征;
所述第二数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第二判断特征单元,用于判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;
所述第一输出单元,用于如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称。
从以上技术方案可以看出,本发明实施例具有以下优点:将用数学特征表达的程序与预置的病毒程序的数学特征进行对比,当发现该程序的数学特征与病毒数学特征要求的表达相同或者相近似,就理解该程序为已知的病毒,若不相似,则该程序是新种类的病毒,将其记录,从而实现了自动形成病毒库,不需要人为提取病毒,创建病毒库。大大提升了自动化程度。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于病毒鉴定的训练方法示意简图;
图2是本发明实施例提供的一种计算机病毒鉴定方法流程示意简图;
图3是本发明实施例一提供的一种用于病毒鉴定的训练方法流程示意简图;
图4是本发明实施例提供的ART神经元网络示意简图;
图5是本发明实施例二提供的一种计算机病毒鉴定方法流程示意简图;
图6是本发明实施例三提供的一种用于病毒鉴定的训练装置示意简图;
图7是本发明实施例四提供的一种计算机病毒鉴定装置示意简图;
图8是本发明实施例所涉及的计算机示意图;
图9是本发明实施例所涉及的另一种计算机示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供的一种用于病毒鉴定的训练方法,所述方法包括:
步骤A1,提取纯黑样本中的一个程序的特征;
其中,在该训练方法其处理的对象可以是纯黑样本,在纯黑样本中有当前技术人员已知的各种病毒的样本,将该纯黑样本中的程序作为输入,提取纯黑样本的程序的特征。程序的特征可以包括:程序入口点地址(Address ofEntry Point),程序的代码段大小(Size of Code),该程序的可执行映像的地址空间大小(Size of Image),导入表大小(Import Table Size),导入函数个数(TotalFuncCnt),程序入口点起始处16个指令操作码(Opencode),和代码段开始处16个指令操作码(Opencode)。需要理解的是,上述程序的7个特征可以对每个程序进行一定的描述,后续操作是基于该特征判断该程序是否属于病毒。此处对程序特征例举出7个特征,并非对特征的穷举,仅是当前计算机领域常用的7个识别程序的特征。并非对本发明实施例的限制。
步骤A2,根据所述程序的特征,获取所述程序的数学特征;
其中,将提取出的特征转换为特征向量,根据特征向量进行相关设计的计算,将步骤A1中的程序用数学特征表达,该数学特征可以是如下述式(1)中的表达方法,也不限制其它数学表达方式;其中,特征向量可以用浮点型数值表示,也可以是其它类型数值表示。在本发明实施例中以浮点型数值表示特征向量,不应该理解为对本发明实施例的限制。
步骤A3,判断所述数学特征是否符合预置的病毒的数学特征的要求,
步骤A4,如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
步骤A5,如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。
通过上述步骤A3至A5的操作,将用数学特征表达的程序与预置的病毒程序的数学特征进行对比,当发现该程序的数学特征与病毒数学特征要求的表达相同或者相近似,就理解该程序为已知的病毒,若不相似,则该程序是新种类的病毒,将其记录,从而实现了自动形成病毒库,不需要人为提取病毒,创建病毒库。大大提升了自动化程度。
如图2所示,本发明实施例提供的一种计算机病毒鉴定方法,所述方法包括:
步骤B1,提取输入的程序的特征;
当前提取的程序是未知其是否为病毒的程序,程序的特征可以包括:程序入口点地址(Address of Entry Point),程序的代码段大小(Size of Code),该程序的可执行映像的地址空间大小(Size of Image),导入表大小(ImportTable Size),导入函数个数(TotalFuncCnt),程序入口点起始处16个指令操作码(Opencode),和代码段开始处16个指令操作码(Opencode)。需要理解的是,上述程序的7个特征可以对每个程序进行一定的描述,后续操作是基于该特征判断该程序是否属于病毒。此处对程序特征例举出7个特征,并非对特征的穷举,仅是当前计算机领域常用的7个识别程序的特征。并非对本发明实施例的限制。
上述前5个程序特征可以是从PE的头结构中获取的。
步骤B2,根据所述程序的特征,获取所述程序的数学特征;
其中,将提取出的特征转换为特征向量,根据特征向量进行相关设计的计算,将步骤B1中的程序用数学特征表达,该数学特征可以是如下述式(1)中的表达方法,也不限制其它数学表达方式;其中,特征向量可以用浮点型数值表示,也可以是其它类型数值表示。在本发明实施例中以浮点型数值表示特征向量,不应该理解为对本发明实施例的限制。
步骤B3,判断所述数学特征是否符合训练后的病毒的数学特征的要求;
步骤B4,如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称。
通过执行上述将用数学特征表达的程序与训练后的病毒程序的数学特征进行对比,当发现该程序的数学特征与病毒数学特征要求的表达相同或者相近似,就理解该程序为已知的病毒,告知用户,即鉴别出该病毒。
优选的,步骤B4输出所述数学特征,或者输出所述数学特征对应的病毒名称之后,所述方法还包括:
步骤B5,获取所述程序的数学特征与所述训练后的病毒的数学特征的共同特征。
其中,步骤B5的具体实现方法,依据不同的数学表达方式会有不同(一种优选的表达方式如下述实施例中式子(2)和(3)),但其用途都是为了更加容易识别变形后的程序,同时,不会产生大量的病毒数据存储在病毒数据库中,减轻了数据库的压力,节省了资源。
若该鉴定的程序是病毒程序,可以获取该程序与训练的病毒他们共同的数学特征,使得该方法更容易识别变形后的病毒程序。
在对本发明技术优选的实施例做说明之前,首先需要了解的是自适应共振理论(Adaptive Resonance Theory,简称ART),它是由S.Grossberg和A.Carpentent等人于1986年提出来的。ART神经网络是一种自组织神经网络结构,是无监督的学习网络。当在神经网络和环境有交互作用时,对环境信息的编码会自发地在神经网中产生,则认为神经网络在进行自组织活动。ART就是这样一种能自组织地产生对环境认识编码的神经网络理论模型。
本发明实施例优选提供一种计算机病毒鉴定方法,是基于ART神经网络的计算机病毒的特征启发式鉴定方案。该方案是预先建立一个改进型ART神经网络。然后对已知的病毒进行特征提取,获取病毒的样本特征信息,根据这些样本特征信息转换为样本特征向量。再将这些特征向量输入到ART神经网络。然后,利用改进型ART神经网络的自动聚类特性进行病毒判别训练。然后对已经训练好的ART神经网络去识别新的病毒和木马。该技术方案具有扫描速度快,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
下面结合具体的实施例对该本发明实施例提供的优选的技术方案进行说明。
实施例一
本发明实施例提供了一种用于病毒鉴定的训练方法,在该训练方法其处理的对象可以是纯黑样本,在纯黑样本中有当前技术人员已知的各种病毒的样本,将该纯黑样本中的程序作为输入,提取纯黑样本的程序的特征,并将该特征转换为特征向量作为ART神经网络的输入,经由ART神经网络的自学该病毒的特征,从而实现ART神经网络的训练过程。
如图3所示,该方法包括:
步骤101,提取纯黑样本中的一个程序的特征,
需要说明的,这里所说的纯黑样本中的程序,是指该样本中的所有的程序都是病毒程序,这些病毒程序用户对设计的ART神经网络进行训练,使得ART神经网络根据输入的这些病毒程序的特征,能够学习识别这些病毒。后续再完成训练ART神经网络操作后,可以参照已经学习的病毒程序,判断需要检测的程序是否为病毒或者木马。
进一步,程序的特征可以包括:程序入口点地址(Address of Entry Point),程序的代码段大小(Size of Code),该程序的可执行映像的地址空间大小(Sizeof Image),导入表大小(Import Table Size),导入函数个数(TotalFuncCnt),程序入口点起始处16个指令操作码(Opencode),和代码段开始处16个指令操作码(Opencode)。需要理解的是,上述程序的7个特征可以对每个程序进行一定的描述,后续操作是基于该特征判断该程序是否属于病毒。此处对程序特征例举出7个特征,并非对特征的穷举,仅是当前计算机领域常用的7个识别程序的特征。并非对本发明实施例的限制。
上述前5个程序特征可以是从可执行体(例如:PE)的头结构中获取的。
步骤102,将提取出的特征转换为特征向量;其中,特征向量可以用浮点型数值表示,也可以是其它类型数值表示。在本发明实施例中以浮点型数值表示特征向量,不应该理解为对本发明实施例的限制。
在上述步骤101中若提取的程序特征包括7项,其中上述说明的前5项分别可以转换为对应的浮点型数值,即由5个数值,程序的后2项特征每项用16个浮点数值表示,则提取的程序特征转换为特征向量,该向量用37个浮点数值表示。转换为向量的形式是为了ART网络对数据处理。
在本发明实施中程序入口点地址(AddressOfEntryPoint)的值可能比较大,在转换为浮点型数据时,可以采取将小数点向左移五个位。此处仅是便于理解的说明,并非对实施例的限制。
步骤103,根据ART神经网络中的输出层的每一个神经元记忆的特征权值w和输入的特征向量,获取所述输出层的每一个神经元的相似度差值y;
其中,步骤103中获取每个神经元的相似度差值y具体可以参考如式(1):
y=(x1-w1)2+(x2-w2)2+…+(x37-w37)2 式(1)
其中,x为步骤102中获取的特征向量,y为每个神经元的输出值,w(i)对应输出层的每个神经元中包括的37个特征权值,其中,i属于[1,37]。
步骤104,判断获取的所有相似度差值y中最小的y是否大于阀值H,如果最小的相似度差y值大于阀值H,则执行步骤105,在该ART神经网络中记录该特征向量作为输出层的新的神经元。由于该特征是纯黑样本中的程序的特征,此处计算出相似度差值y大于阀值H,表示当前的神经元中没有记录该病毒样本,在步骤104中记录该病毒程序样本。因此,输出层新增加的神经元中记录该特征向量。
步骤106,如果最小的相似度差值y不大于阀值H,根据该特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整该相似度差值y最小的神经元的记忆的特征权值w;
其中,在步骤106中调整记忆的特征权值w的具体操作可以参照如下公式(2)(3):
wJ[i]=learnRate*(x[i]-wJ-1[i]) 式(2)
w[i]=wJ[i]/sqrt(wJ[1]2+wJ[2]2+…+wJ[37]2) 式(3)
其中,x为步骤102中当前获取的特征向量,learnRate为学习率,可以是常数,wJ-1[i]是神经元内当前的特征权值,wJ[i]是调整后的特征权值,w[i]为归一化处理后的特征权值。
通过调整记忆的特征权值w,可以使得训练好的ART神经网络能够识别出各种病毒的变形,更准确的识别出病毒程序。提高鉴定病毒的能力。
对于上述说明的神经元,为了更加清楚的理解,参见附图4中说明的ART神经元网络示意简图,其中该ART神经元网络包括有两个神经元层,处于下方的37个神经元(即输入层的神经元)负责将提取的特征向量传输到上层的神经元层中(即输出层)的每个神经元内。处于上方的神经元层中神经元的数量是逐渐增加的,通过对纯黑样本的训练,假设可以得到n个神经元。其中,ART神经元网络中还包括有控制器,其用途包括:
1、从输出层神经元中挑选出与输入向量相似度最高的神经元作为网络最终输出值,并让该神经元调整记忆的特征权值w;
2、控制输入层神经元传送输入向量的开关,将输入向量包括的37个浮点型数值全部输入到一个神经元,直到所有的神经元内都获取到了37个浮点型数值的输入向量,并在各神经元内进行上述公式(1)计算;
3、当输出层未找到与输入向量有相似的神经元时,控制输出层产生新的神经元来记忆新的输入向量。
重复执行上述步骤101至106的操作,直到纯黑样本中的所有程序都经历了上述操作,至此对ART神经网络的训练完成,当开发人员新发现有新的病毒或者木马时,可以搜集新的纯黑样本,在通过新搜集的纯黑样本再对ART神经网络进行训练,从而对ART神经网络训练改进。
本发明实施例提供的一种用于病毒鉴定的训练方法,通过对已知的病毒进行特征提取,获取病毒的样本特征信息,根据这些样本特征信息转换为样本特征向量。再将这些特征向量输入到ART神经网络。然后,利用改进型ART神经网络的自动聚类特性进行病毒判别训练。使得后续利用该已经训练好的ART神经网络去识别新的病毒和木马。该ART神经网络的训练方法使得后续能够快速扫描病毒,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
实施例二
本发明实施例提供了一种计算机病毒鉴定方法,该方法是基于上述实施例一中训练完成的ART神经网络,可以判断各种输入的程序是否是危险程序。参见图5所示,该方法包括:
步骤201,提取输入的程序的特征;
当前提取的程序的特征与上述步骤101相似,区别在于步骤101中程序都是病毒程序,作为训练ART神经网络中使用,而当前步骤201中操作的对象是未知安全与否的程序,需要经由训练好的ART神经网络鉴定后,才可以判断安全与否的程序。
程序的特征可以包括:程序入口点地址(Address of Entry Point),程序的代码段大小(Size of Code),该程序的可执行映像的地址空间大小(Size of Image),导入表大小(Import Table Size),导入函数个数(TotalFuncCnt),程序入口点起始处16个指令操作码(Opencode),和代码段开始处16个指令操作码(Opencode)。需要理解的是,上述程序的7个特征可以对每个程序进行一定的描述,后续操作是基于该特征判断该程序是否属于病毒。此处对程序特征例举出7个特征,并非对特征的穷举,仅是当前计算机领域常用的7个识别程序的特征。并非对本发明实施例的限制。
上述前5个程序特征可以是从PE的头结构中获取的。
步骤202,将输入的程序的特征转换为输入特征向量;其中,输入特征向量可以用浮点型数值表示,也可以是其它类型数值表示。在本发明实施例中以浮点型数值表示特征向量。
在上述步骤201中若提取的程序特征包括7项,其中上述说明的前5项分别可以转换为对应的浮点型数值,即由5个数值,程序的后2项特征每项用16个浮点数值表示,则提取的程序特征转换为特征向量,该向量用37个浮点数值表示。转换为向量的形式是为了ART网络对数据处理。
在本发明实施中程序入口点地址(AddressOfEntryPoint)的值可能比较大,在转换为浮点型数据时,可以采取将小数点向左移五个位。此处仅是便于理解的说明,并非对实施例的限制。
步骤203,根据训练完成的ART神经网络中的输出层的每一个神经元记忆的特征权值w和输入特征向量,获取输出层的每个神经元的相似度差值y;
其中,步骤203中获取每个神经元的相似度差值y具体与步骤103相同,即也是可以参考如式(1)。
步骤204,判断获取的所有的相似度差值y中最小的y是否大于阀值H,如果最小的相似度差值y大于阀值H;可以不做任何操作,结束。即判断该程序不是病毒或者木马,即该程序对计算机系统无害。
步骤205,当判断最小的相似度差值y不大于预置H时,输出该最小相似度差值y。
通过输出该最小相似度差值的y可以理解为用户提示该程序有危险。
优选的,步骤205中的输出,还可以进一步包括:输出该最小相似度差值y对应的神经元中对应的危险程序名称。
优选的,输出该最小相似度差值y之后,该方法还可以包括:
步骤206,根据该特征向量x和相似度差值y最小的神经元当前记忆的特征权值w,调整该最小相似度差值y对应的神经元的记忆的特征权值w。其中,调整特征权值w的操控可以参加上述公式(2)和(3)。此处不重述。
本发明实施例提供的一种计算机病毒的鉴定方法,通过利用ART神经网络的训练方法使得后续能够快速扫描病毒,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
若下表1所示,本发明实施例提供的病毒鉴定方法,与现有技术中病毒鉴定方法的实际测试结果。
表1
该实际测试时从样本库中随机抽取5000个混合样本进行对比测试扫描。基于ART神经网络的病毒鉴定的方法的检出率比传统特征引擎要高,误报数与传统特征引擎一样,扫描性能远胜于行为启发式引擎,比传统的特征引擎还要快一些。病毒库大小为11Mbyte,输出层神经元个数为38968个。比行为启发式引擎的病毒库还要小一些。
实验结果也证实了:利用ART神经网络的训练方法使得后续能够快速扫描病毒,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
实施三
本发明实施例提供一种用于病毒鉴定的训练装置,所述装置包括:第一特征单元,第一数学特征单元,第一判断特征单元,第一获取共性单元,和第一纪录特征单元;
其中,所述第一特征单元,用于提取纯黑样本中的一个程序的特征;
所述第一数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第一判断特征单元,用于判断所述数学特征是否符合预置的病毒的数学特征的要求,
所述第一获取共性单元,用于如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
所述第一纪录特征单元,用于如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。
优选的,本发明实施例提供一种用于病毒鉴定的训练装置,如图6所示,所述装置包括:第一提取单元401,第一转换单元402,第一获取单元403,第一判断单元404,第一纪录单元405,和第一调整单元406;
其中上述第一数学特征单元可以具体包括:第一转换单元,第一获取单元;
上述第一判断特征单元可以具体包括:第一判断单元,
上述第一获取共性单元可以具体包括:第一调整单元,
上述第一纪录特征单元可以具体包括:第一纪录单元;
所述第一提取单元401,用于提取纯黑样本中的一个程序的特征;
所述第一转换单元402,用于将所述提取的程序的特征转换为特征向量;
所述第一获取单元403,用于根据ART神经网络中的输出层的每一个神经元中记忆的特征权值w和所述特征向量,获取所述输出层的每一个神经元的相似度差值y;
所述第一判断单元404,用于判断获取的所有相似度差值y中最小的y是否大于阀值H;
所述第一纪录单元405,用于如果最小的y大于阀值H,记录所述特征向量作为所述输出层的新增的神经元;
所述第一调整单元406,用于如果最小的y不大于阀值H,根据所述特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整所述相似度差值y最小的神经元的记忆的特征权值w。
优选的,序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,所述第一提取单元,具有用于从可执行体的头结构中提取所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征,还提取程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,所述特征向量由浮点型数值表示。
本发明实施例提供的一种用于病毒鉴定的训练装置,通过对已知的病毒进行特征提取,获取病毒的样本特征信息,根据这些样本特征信息转换为样本特征向量。再将这些特征向量输入到ART神经网络。然后,利用改进型ART神经网络的自动聚类特性进行病毒判别训练。使得后续利用该已经训练好的ART神经网络去识别新的病毒和木马。该ART神经网络的训练方法使得后续能够快速扫描病毒,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
实施例四
本发明实施例一种计算机病毒鉴定装置,所述装置包括:第二特征单元,第二数学特征单元,第二判断特征单元,和第一输出单元;
所述第二特征单元,用于提取输入的程序的特征;
所述第二数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第二判断特征单元,用于判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;
所述第一输出单元,用于如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称。
优选的,本发明实施例提供一种计算机病毒鉴定装置,如图7所示,所述装置包括:第二提取单元501,第二转换单元502,第二获取单元503,第二判断单元504,和输出单元505;
其中,上述第二数学特征单元可以具体包括:第二转换单元,第二获取单元,
上述第二判断特征单元可以具体包括:第二判断单元,
上述第一输出单元可以具体包括:输出单元;
所述第二提取单元501,用于提取输入的程序的特征;
所述第二转换单元502,用于将所述输入的程序的特征转换为输入特征向量;
所述第二获取单元503,用于根据训练后的ART神经网络中的输出层的每一个神经元记忆的w,和所述输入特征向量,获取所述输出层的每个神经元的相似度差值y;
所述第二判断单元504,用于判断获取的所有相似度差值y中最小的y是否大于阀值H;
所述输出单元505,用于如果最小的y都不大于阀值H,输出该最小相似度差值y。
优选的,所述装置还包括:
第二调整单元506,用于根据所述输入特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整相似度差值y最小的神经元的记忆的特征权值w。
优选的,所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,所述第二提取单元,具有用于从可执行体的头结构中提取所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征,还提取程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,所述特征向量由浮点型数值表示。
本发明实施例提供的一种计算机病毒的鉴定装置,通过利用ART神经网络的训练方法使得后续能够快速扫描病毒,而且,由于采用ART神经网络来记忆病毒特征,不同于现有技术中采用病毒特征库存储病毒特征数据,因此,存储病毒数据量可控。能识别已知的各种已知的计算机病毒变种和部分未知病毒,并且大大提高了鉴定病毒的准确性高,降低了误报率。
有关实施例三、四的详细说明,可以参考上述实施例一、二中方法的说明,此处不重述。
请参考图8,其示出了本发明实施例所涉及的计算机,该计算机可以用于实施上述实施例中提供的方法。具体来讲:
计算机可以包括有一个或一个以上计算机可读存储介质的存储器120、输入单元130、输出单元140包括有一个或者一个以上处理核心的处理器180、以及电源190等部件。本领域技术人员可以理解,图6和图7中示出的装置结构并不构成对计算机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
存储器120可用于存储软件程序以及模块,处理器180通过运行存储在存储器120的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器120可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机的使用所创建的数据等。此外,存储器120可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器120还可以包括存储器控制器,以提供处理器180和输入单元130对存储器120的访问。
输入单元130可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
处理器180是计算机的控制中心,利用各种接口和线路连接各个部分,通过运行或执行存储在存储器120内的软件程序和/或模块,以及调用存储在存储器120内的数据,执行计算机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器180可包括一个或多个处理核心。
计算机还包括给各个部件供电的电源190(比如电池),优选的,电源可以通过电源管理系统与处理器180逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源190还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
具体在本实施例中,计算机中处理器180用于提取纯黑样本中的一个程序的特征;
根据所述程序的特征,获取所述程序的数学特征;
判断所述数学特征是否符合预置的病毒的数学特征的要求,
如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征。
优选的,处理器180中所述根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合预置的病毒的数学特征的要求,如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征,具体包括:
将所述提取的程序的特征转换为特征向量;
根据神经网络中的输出层的每一个神经元中记忆的特征权值w和所述特征向量,获取所述输出层的每一个神经元的相似度差值y;
判断获取的所有相似度差值y中最小的y是否大于阀值H;
如果最小的y大于阀值H,记录所述特征向量作为所述输出层的新增的神经元;
如果最小的y不大于阀值H,根据所述特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整所述相似度差值y最小的神经元的记忆的特征权值w。
优选的,处理器180还用于对所述纯黑样本中剩余的每一程序都执行如上述的方法。
优选的,处理器180中处理的所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,处理器180中处理的所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征具体是从可执行体的头结构中提取的。
优选的,处理器180中处理的所述特征向量由浮点型数值表示。
请参考图9,其示出了本发明实施例所涉及的计算机,该计算机可以用于实施上述实施例中提供的方法。具体来讲:
计算机可以包括有一个或一个以上计算机可读存储介质的存储器220、输入单元230、输出单元240包括有一个或者一个以上处理核心的处理器280、以及电源290等部件。本领域技术人员可以理解,图6和图7中示出的装置结构并不构成对计算机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
存储器220可用于存储软件程序以及模块,处理器280通过运行存储在存储器220的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器220可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机的使用所创建的数据等。此外,存储器220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器220还可以包括存储器控制器,以提供处理器280和输入单元230对存储器220的访问。
输入单元230可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
处理器280是计算机的控制中心,利用各种接口和线路连接各个部分,通过运行或执行存储在存储器220内的软件程序和/或模块,以及调用存储在存储器220内的数据,执行计算机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器280可包括一个或多个处理核心。
计算机还包括给各个部件供电的电源290(比如电池),优选的,电源可以通过电源管理系统与处理器280逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源290还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
具体在本实施例中,计算机中处理器280用于提取输入的程序的特征;根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称。
优选的,处理器280中用于所述根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合如权利要求述训练后的病毒的数学特征的要求;如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称,具体包括:
将所述输入的程序的特征转换为输入特征向量;
根据图8中训练后的神经网络中的输出层的每一个神经元记忆的w,和所述输入特征向量,获取所述输出层的每个神经元的相似度差值y;
判断获取的所有相似度差值y中最小的y是否大于阀值H;
如果最小的y都不大于阀值H,输出该最小相似度差值y。
优选的,处理器280中如果最小的y都大于阀值H,则结束。
优选的,处理器280中所述输出该最小相似度差值y之后,处理器280中用于:根据所述输入特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整相似度差值y最小的神经元的记忆的特征权值w。
优选的,处理器280中所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
优选的,处理器280中所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征具体是从可执行体的头结构中提取的。
优选的,处理器280中所述特征向量由浮点型数值表示。
优选的,处理器280中所述输出所述数学特征,或者输出所述数学特征对应的病毒名称之后,所述方法还包括:
获取所述程序的数学特征与所述训练后的病毒的数学特征的共同特征。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种用于病毒鉴定的训练方法和病毒鉴定方法及装置进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (21)
1.一种用于病毒鉴定的训练方法,其特征在于,所述方法包括:
提取纯黑样本中的一个程序的特征;
根据所述程序的特征,获取所述程序的数学特征;
判断所述数学特征是否符合预置的病毒的数学特征的要求,
如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征;
所述根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合预置的病毒的数学特征的要求,如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征,具体包括:
将所述提取的程序的特征转换为特征向量;
根据神经网络中的输出层的每一个神经元中记忆的特征权值w和所述特征向量,获取所述输出层的每一个神经元的相似度差值y;
判断获取的所有相似度差值y中最小的y是否大于阀值H;
如果最小的y大于阀值H,记录所述特征向量作为所述输出层的新增的神经元;
如果最小的y不大于阀值H,根据所述特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整所述相似度差值y最小的神经元的记忆的特征权值w。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述纯黑样本中剩余的每一程序都执行如权利要求 1所述的方法。
3.根据权利要求1所述的方法,其特征在于,所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
4.根据权利要求3所述的方法,其特征在于,所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征具体是从可执行体的头结构中提取的。
5.根据权利要求1所述的方法,其特征在于,所述特征向量由浮点型数值表示。
6.一种计算机病毒鉴定方法,其特征在于,所述方法还包括:
提取输入的程序的特征;
根据所述程序的特征,获取所述程序的数学特征;
判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;
如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称;
所述根据所述程序的特征,获取所述程序的数学特征;判断所述数学特征是否符合如权利要求述训练后的病毒的数学特征的要求;如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称,具体包括:
将所述输入的程序的特征转换为输入特征向量;
根据如权利要求2训练后的神经网络中的输出层的每一个神经元记忆的w,和所述输入特征向量,获取所述输出层的每个神经元的相似度差值y;
判断获取的所有相似度差值y中最小的y是否大于阀值H;
如果最小的y都不大于阀值H,输出该最小相似度差值y。
7.根据权利要求6所述的方法,其特征在于,如果最小的y都大于阀值H,则结束。
8.根据权利要求6所述的方法,其特征在于,所述输出该最小相似度差值y之后,所述方法还包括:
根据所述输入特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整相似度差值y最小的神经元的记忆的特征权值w。
9.根据权利要求6所述的方法,其特征在于,所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
10.根据权利要求9所述的方法,其特征在于,所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征具体是从可执行体的头结构中提取的。
11.根据权利要求6所述的方法,其特征在于,所述特征向量由浮点型数值表示。
12.根据权利要求6所述的方法,其特征在于,所述输出所述数学特征,或者输出所述数学特征对应的病毒名称之后,所述方法还包括:
获取所述程序的数学特征与所述训练后的病毒的数学特征的共同特征。
13.一种用于病毒鉴定的训练装置,其特征在于,所述装置包括:第一特征单元,第一数学特征单元,第一判断特征单元,第一获取共性单元,和第一纪录特征单元;
所述第一特征单元,用于提取纯黑样本中的一个程序的特征;
所述第一数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第一判断特征单元,用于判断所述数学特征是否符合预置的病毒的数学特征的要求,
所述第一获取共性单元,用于如果符合,获取所述程序的数学特征与所述预置的病毒的数学特征的共同特征;
所述第一纪录特征单元,用于如果所述数学特征不符合所述预置病毒的数学特征的要求,则记录所述程序的所述数学特征,作为新增病毒的数学特征;
所述第一数学特征单元具体包括:第一转换单元,第一获取单元;
所述第一判断特征单元具体包括:第一判断单元,
所述第一获取共性单元具体包括:第一调整单元,
所述第一纪录特征单元具体包括:第一纪录单元;
第一提取单元,用于提取纯黑样本中的一个程序的特征;
所述第一转换单元,用于将所述提取的程序的特征转换为特征向量;
所述第一获取单元,用于根据神经网络中的输出层的每一个神经元中记忆的特征权值w和所述特征向量,获取所述输出层的每一个神经元的相似度差值y;
所述第一判断单元,用于判断获取的所有相似度差值y中最小的y是否大于阀值H;
所述第一纪录单元,用于如果最小的y大于阀值H,记录所述特征向量作为所述输出层的新增的神经元;
所述第一调整单元,用于如果最小的y不大于阀值H,根据所述特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整所述相似度差值y最小的神经元的记忆的特征权值w。
14.根据权利要求13所述的装置,其特征在于,所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
15.根据权利要求14所述的装置,其特征在于,所述第一提取单元,具有用于从可执行体的头结构中提取所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征,还提取程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
16.根据权利要求13所述的装置,其特征在于,所述特征向量由浮点型数值表示。
17.一种计算机病毒鉴定装置,其特征在于,所述装置包括:第二特征单元,第二数学特征单元,第二判断特征单元,和第一输出单元;
所述第二特征单元,用于提取输入的程序的特征;
所述第二数学特征单元,用于根据所述程序的特征,获取所述程序的数学特征;
所述第二判断特征单元,用于判断所述数学特征是否符合如权利要求1所述训练后的病毒的数学特征的要求;
所述第一输出单元,用于如果符合,输出所述数学特征,或者输出所述数学特征对应的病毒名称;
所述第二数学特征单元具体包括:第二转换单元,第二获取单元,
所述第二判断特征单元具体包括:第二判断单元,
所述第一输出单元具体包括:输出单元;
所述第二转换单元,用于将所述输入的程序的特征转换为输入特征向量;
所述第二获取单元,用于根据训练后的神经网络中的输出层的每一个神经元记忆的w,和所述输入特征向量,获取所述输出层的每个神经元的相似度差值y;
所述第二判断单元,用于判断获取的所有相似度差值y中最小的y是否大于阀值H;
所述输出单元,用于如果最小的y都不大于阀值H,输出该最小相似度差值y。
18.根据权利要求17所述的装置,其特征在于,所述装置还包括:
第二调整单元,用于根据所述输入特征向量和相似度差值y最小的神经元当前记忆的特征权值w,调整相似度差值y最小的神经元的记忆的特征权值w。
19.根据权利要求17所述的装置,其特征在于,所述程序特征包括:程序入口点地址,程序的代码段大小,该程序的可执行映像的地址空间大小,导入表大小,导入函数个数,程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
20.根据权利要求19所述的装置,其特征在于,第二提取单元,具有用于从可执行体的头结构中提取所述程序入口点地址,所述程序的代码段大小,所述程序的可执行映像的地址空间大小,所述导入表大小,和所述导入函数个数五项特征,还提取程序入口点起始处16个指令操作码,和代码段开始处16个指令操作码。
21.根据权利要求17所述的装置,其特征在于,所述特征向量由浮点型数值表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310098003.9A CN104077524B (zh) | 2013-03-25 | 2013-03-25 | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310098003.9A CN104077524B (zh) | 2013-03-25 | 2013-03-25 | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104077524A CN104077524A (zh) | 2014-10-01 |
CN104077524B true CN104077524B (zh) | 2018-01-09 |
Family
ID=51598774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310098003.9A Active CN104077524B (zh) | 2013-03-25 | 2013-03-25 | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077524B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574408B (zh) * | 2014-10-11 | 2018-04-17 | 安一恒通(北京)科技有限公司 | 用于文件病毒检测的特征获取方法及文件病毒检测的方法 |
CN105893842A (zh) * | 2015-01-26 | 2016-08-24 | 安恒通(北京)科技有限公司 | 用于检测感染型病毒的方法及装置 |
CN105893843A (zh) * | 2015-01-26 | 2016-08-24 | 安恒通(北京)科技有限公司 | 用于检测感染型病毒的方法及装置 |
CN104657662B (zh) * | 2015-01-26 | 2017-11-03 | 安一恒通(北京)科技有限公司 | 用于检测感染型病毒的方法及装置 |
CN110837638B (zh) * | 2019-11-08 | 2020-09-01 | 鹏城实验室 | 一种勒索软件的检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034043A (zh) * | 2010-12-13 | 2011-04-27 | 四川大学 | 基于文件静态结构属性的恶意软件检测新方法 |
CN102034042A (zh) * | 2010-12-13 | 2011-04-27 | 四川大学 | 基于函数调用关系图特征的恶意代码检测新方法 |
CN102142068A (zh) * | 2011-03-29 | 2011-08-03 | 华北电力大学 | 一种未知恶意代码的检测方法 |
CN102346829A (zh) * | 2011-09-22 | 2012-02-08 | 重庆大学 | 基于集成分类的病毒检测方法 |
CN102360408A (zh) * | 2011-09-28 | 2012-02-22 | 国家计算机网络与信息安全管理中心 | 恶意代码的检测方法及其系统 |
CN102651088A (zh) * | 2012-04-09 | 2012-08-29 | 南京邮电大学 | 基于A_Kohonen神经网络的恶意代码分类方法 |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | 中国移动通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和系统 |
-
2013
- 2013-03-25 CN CN201310098003.9A patent/CN104077524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034043A (zh) * | 2010-12-13 | 2011-04-27 | 四川大学 | 基于文件静态结构属性的恶意软件检测新方法 |
CN102034042A (zh) * | 2010-12-13 | 2011-04-27 | 四川大学 | 基于函数调用关系图特征的恶意代码检测新方法 |
CN102142068A (zh) * | 2011-03-29 | 2011-08-03 | 华北电力大学 | 一种未知恶意代码的检测方法 |
CN102821002A (zh) * | 2011-06-09 | 2012-12-12 | 中国移动通信集团河南有限公司信阳分公司 | 网络流量异常检测方法和系统 |
CN102346829A (zh) * | 2011-09-22 | 2012-02-08 | 重庆大学 | 基于集成分类的病毒检测方法 |
CN102360408A (zh) * | 2011-09-28 | 2012-02-22 | 国家计算机网络与信息安全管理中心 | 恶意代码的检测方法及其系统 |
CN102651088A (zh) * | 2012-04-09 | 2012-08-29 | 南京邮电大学 | 基于A_Kohonen神经网络的恶意代码分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104077524A (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102635987B1 (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
US11176418B2 (en) | Model test methods and apparatuses | |
CN104077524B (zh) | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 | |
CN110084173A (zh) | 人头检测方法及装置 | |
CN107194158A (zh) | 一种基于图像识别的疾病辅助诊断方法 | |
CN112257815A (zh) | 模型生成方法、目标检测方法、装置、电子设备及介质 | |
CN106295591A (zh) | 基于人脸图像的性别识别方法及装置 | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN108549658A (zh) | 一种基于语法分析树上注意力机制的深度学习视频问答方法及系统 | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN106502890A (zh) | 测试用例生成方法及系统 | |
CN105303163B (zh) | 一种目标检测的方法及检测装置 | |
CN110210625A (zh) | 基于迁移学习的建模方法、装置、计算机设备和存储介质 | |
CN108897732A (zh) | 语句类型识别方法和装置、存储介质及电子装置 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN110390107A (zh) | 基于人工智能的下文关系检测方法、装置及计算机设备 | |
CN110109543A (zh) | 基于被试迁移的c-VEP识别方法 | |
CN111582358A (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
CN109101984A (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN114154622A (zh) | 交通运行体系流量数据采集缺失补全的算法模型 | |
CN112270671B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN109033797A (zh) | 一种权限设置方法及装置 | |
CN115328786A (zh) | 一种基于区块链的自动化测试方法、装置和存储介质 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230706 Address after: 518000 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 Floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518031 East 403 room, Sai Ge science and Technology Park, Futian District Zhenxing Road, Shenzhen, Guangdong, China, 2 Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
TR01 | Transfer of patent right |