CN113987488A - 基于忆阻神经网络的恶意软件检测方法及系统 - Google Patents

基于忆阻神经网络的恶意软件检测方法及系统 Download PDF

Info

Publication number
CN113987488A
CN113987488A CN202111226745.6A CN202111226745A CN113987488A CN 113987488 A CN113987488 A CN 113987488A CN 202111226745 A CN202111226745 A CN 202111226745A CN 113987488 A CN113987488 A CN 113987488A
Authority
CN
China
Prior art keywords
memristor
neural network
rgb color
color image
detection method
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.)
Pending
Application number
CN202111226745.6A
Other languages
English (en)
Inventor
夏冰
许馨月
陈宇
许冬冬
冯国朋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Dingxin Information Security Rating Evaluation Co ltd
Original Assignee
Henan Dingxin Information Security Rating Evaluation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Dingxin Information Security Rating Evaluation Co ltd filed Critical Henan Dingxin Information Security Rating Evaluation Co ltd
Priority to CN202111226745.6A priority Critical patent/CN113987488A/zh
Publication of CN113987488A publication Critical patent/CN113987488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55Detecting local intrusion or implementing counter-measures
    • G06F21/56Computer malware detection or handling, e.g. anti-virus arrangements
    • G06F21/562Static detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133Distances to prototypes
    • G06F18/24137Distances to cluster centroïds
    • G06F18/2414Smoothing the distance, e.g. radial basis function networks [RBFN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/047Probabilistic or stochastic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G11INFORMATION STORAGE
    • G11CSTATIC STORES
    • G11C13/00Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00
    • G11C13/0002Digital stores characterised by the use of storage elements not covered by groups G11C11/00, G11C23/00, or G11C25/00 using resistive RAM [RRAM] elements
    • G11C13/0009RRAM elements whose operation depends upon chemical change

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Virology (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于信息安全技术领域,特别涉及一种基于忆阻神经网络的恶意软件检测方法及系统,将待检测软件可视化为RGB彩色图像;将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。本发明将恶意软件可视化为彩色图片,并利用忆阻器交叉阵列对图像进行存储和处理,有效提升识别准确率,提高模型的泛化能力;通过将忆阻器和轻量级卷积神经网络相结合,实现可嵌入式设备中的忆阻器神经网络解决方案,基于忆阻器实现高密度的集成网络,利用交叉阵列结构增强信息处理能力并扩充存储空间,为解决冯诺依曼瓶颈问题提供新的解决方案,有效实现物联网恶意软件检测。

Description

基于忆阻神经网络的恶意软件检测方法及系统
技术领域
本发明属于信息安全技术领域,特别涉及一种基于忆阻神经网络的恶意软件检测方法及系统。
背景技术
随着网络科技的高速发展,万物互联的时代也悄然而至。在大规模设备连接互联网的同时,恶意软件的数量也出现井喷式的增长。层出不穷的恶意软件已成为当今急迫解决的重大问题。早期的恶意软件检测多以基于签名的方法为主,但该传统方法过于依赖专家经验,存在一定的局限性。目前,基于神经网络的恶意软件检测研究呈爆发式增长。而神经网络计算效率部分取决于计算机性能,但当前大多数的计算机仍然存在冯诺依曼瓶颈,即:在内存容量指数级提升后,CPU和内存之间的数据传输带宽的瓶颈。
发明内容
为此,本发明提供一种基于忆阻神经网络的恶意软件检测方法及系统,有效的提高恶意软件检测的准确性和效率。
按照本发明所提供的设计方案,一种基于忆阻神经网络的恶意软件检测方法,包含如下内容:
将待检测软件可视化为RGB彩色图像;
将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,依据待检测软件文件大小,按字节读取并分别映射于图片RGB三通道中,形成三通道向量并将待检测软件可视化为RGB彩色图像。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,通过对RGB彩色图像进行标准化和规格化处理获取尺寸相同的RGB三通道图片,并利用忆阻器阻值状态来映射RGB三通道图片像素值。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,利用忆阻器对RGB彩色图像进行存储过程中,首先对RGB彩色图像的像素矩阵进行降维和归一化处理;将处理后的矩阵向量作为电压值施加至忆阻器交叉阵列结构中;忆阻器根据阻值等价来存储图像。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,通过降维来获取每一维度的像素矩阵向量,并通过归一化处理将该维度的像素矩阵向量归一化至0~1之间,得到处理后的用于作为忆阻器施加电压值的矩阵向量。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,忆阻器存储区域划分为用于高阻态的掺杂区和用于低阻态的未掺杂区,忆阻器阻值状态更新公式表示为:RMEM=RON×x+Roff×(1-x),其中,x=W/D,x∈(0,1),W代表掺杂区的长度,D代表忆阻器的总长度,Ron代表最小忆阻器阻值,Roff代表最大忆阻器阻值。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,掺杂区和未掺杂区边界移动速度变化公式表示为:dx/dt=k×i(t)×window(x),k=μv×RON/D2,其中,μv表示杂质平均迁移率,i(t)表示电流函数,窗函数window(x)表示为:window(x)=j×[x(1/1+exp(I+(x-1))-1/1+exp(I-(x+1)))]P,P表示窗函数控制参数,I表示电流值。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,神经网络模型采用轻量级GhostNet神经网络,针对神经网络模型输入利用卷积核生成第一特征图,并对第一特征图通过线性变换获取第二特征图,将第一特征图和第二特征图通过拼接,并利用通道混合对特征图中各通道信息进行均匀通道重组,获取图片特征数据。
作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,利用神经网络模型进行分类识别中,首先对图像特征进行降采样和降维处理,然后通过全连接层和softmax层对降采样和降维处理后的图像特征进行分类识别。
进一步地,本发明还提供一种基于忆阻神经网络的恶意软件检测系统,包含:可视化模块、存储模块及分类识别模块,其中,
可视化模块,用于将待检测软件可视化为RGB彩色图像;
存储模块,用于将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
分类识别模块,用于利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
本发明的有益效果:
本发明针对物联网恶意软件识别问题,将恶意软件可视化为彩色图片,并利用忆阻器交叉阵列对图像进行存储和处理,有效提升识别准确率,提高模型的泛化能力;通过将忆阻器和轻量级卷积神经网络相结合,实现可嵌入式设备中的忆阻器神经网络解决方案,基于忆阻器实现高密度的集成网络,利用交叉阵列结构增强信息处理能力并扩充存储空间,为解决冯诺依曼瓶颈问题提供新的解决方案,有效实现物联网恶意软件检测,具有较好的应用前景。
附图说明:
图1为实施例中基于忆阻神经网络的恶意软件检测方法流程示意之一;
图2为实施例中恶意软件检测流程示意之一;
图3为实施例中神经网络模型特征提取流程示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
近年,基于新型电子突触器件的神经形态计算芯片成为研究热点。通过调节施加在忆阻器上的电流、电压的脉冲长度和幅度,可以改变忆阻器的阻值。因其离子的迁移特性,使得基于忆阻器模拟神经网络成为可能。运用忆阻器构建脉冲神经网络具有以下优势:(1)可以实现突触权值的连续更新;(2)纳米级忆阻器可以实现超高密度的集成网络;(3)网络具有学习和记忆的能力;(4)忆阻器是无源器件且掉电后信息的非易失性使系统能耗更低;(5)交叉阵列结构增强了信息处理能力并扩充了存储空间。目前,已有大量研究表明,忆阻器不仅能模拟突触权值的变化,还能构建神经网络结构,基于忆阻器模拟神经网络具有广阔前景。本发明实施例,参见图1所示,提供一种基于忆阻神经网络的恶意软件检测方法,包含如下内容:
S101、将待检测软件可视化为RGB彩色图像;
S102、将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
S103、利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
针对物联网恶意软件识别问题,将恶意软件可视化为彩色图片,并利用忆阻器交叉阵列对图像进行存储和处理,有效提升识别准确率,提高模型的泛化能力。
参见图2所示,可对恶意软件进行按字节读取,对其进行可视化;在得到彩色图片后,对其进行规格化处理,并映射为电压信号,按规则映射于忆阻器交叉阵列中,将图片信息存储于忆阻器交叉阵列中,通过忆阻器交叉阵列阻值状态更新,实现图像的存储于读取;并利用轻量级神经网络对图像进行特征提取与图像识别,基于该结果输出恶意软件的识别信息,提高恶意软件检测准确率。作为本发明基于忆阻神经网络的恶意软件检测方法,进一步地,依据待检测软件文件大小,按字节读取并分别映射于图片RGB三通道中,形成三通道向量并将待检测软件可视化为RGB彩色图像。
作为本发明实施例中基于忆阻神经网络的恶意软件检测方法,进一步地,通过对RGB彩色图像进行标准化和规格化处理获取尺寸相同的RGB三通道图片,并利用忆阻器阻值状态来映射RGB三通道图片像素值。
对恶意软件进行可视化,依据文件大小形成彩色图片,并对其进行标准化、规格化处理。这种彩色图片中出现的图像纹理可以映射出恶意软件的通用恶意行为。每个恶意软件都为二进制文件,其可以按照字节码进行读取,将连续3个字节分别映射于彩色图片的RGB三通道中,形成三通道向量,不足则在结尾处补零。基于该过程,本发明得到可以用来表示恶意软件行为的RGB彩色图片。得到彩色图片后,可通过对其进行标准化、规格化处理,得到尺寸相同的N×N×3的RGB三通道图片。
作为本发明实施例中基于忆阻神经网络的恶意软件检测方法,进一步地,利用忆阻器对RGB彩色图像进行存储过程中,首先对RGB彩色图像的像素矩阵进行降维和归一化处理;将处理后的矩阵向量作为电压值施加至忆阻器交叉阵列结构中;忆阻器根据阻值等价来存储图像。进一步地,通过降维来获取每一维度的像素矩阵向量,并通过归一化处理将该维度的像素矩阵向量归一化至0~1之间,得到处理后的用于作为忆阻器施加电压值的矩阵向量。
忆阻器作为电子突触器件,因其离子的迁移特性,可根据其阻值状态映射图像的像素值。依据一对一的映射,3层的N×N的忆阻器交叉阵列结构可存储3层N×N的图像像素值。通过在忆阻器两端连接不同强度的电压,会使得突触出现增强和抑制的效果,表现为忆阻器的阻值出现变化。当电压在0-1V之间变化时,随着电压的增加,忆阻器阻值不断减小,呈单调递减的关系。即电压为0V时,忆阻器阻值最大;电压为1V时,忆阻器阻值最小。而图像的像素值取值在0~255之间,因此,可以将0~1V之间忆阻器的阻值等级分为256级,依据其对应图像的像素值。
将N×N×3的像素矩阵进行降维,得到N×N×3向量。通过归一化处理,将该向量归一化至0~1之间,并以此作为电压值施加至3层N行N列忆阻器交叉阵列结构,忆阻器从而根据设置的忆阻器阻值等级,将恶意软件信息存储下来。忆阻器中有两个区域:掺杂区和未掺杂区。掺杂区和未掺杂区之间边界的移动速度取决于掺杂区的电阻。未掺杂区为高阻态,而掺杂区为低阻态。更新忆阻器阻值状态公式可表示为:
RMEM=RON×x+Roff×(1-x)
x=W/D,x∈(0,1)
其中,W代表掺杂区的长度,D代表忆阻器的总长度,Ron代表最小忆阻器阻值,Roff代表最大忆阻器阻值。
基于欧姆定律,用于表示施加在忆阻器两端的电压与流经忆阻器的电流之间的关系可表示为:
v(t)=RMEM(w)×i(t)
掺杂区与未掺杂区边界的移动速度取决于掺杂区的电阻和流过的电流等与状态方程对应的其他因素。此外,随着施加在忆阻器上的电压V发生变化,掺杂区和未掺杂区之间的边界随着带电杂质的漂移而移动。因此,本案实施例中,将边界的速度公式化为:
dx/dt=k×i(t)×window(x),k=μv×RON/D2
其中,μv表示杂质的平均迁移率,与金属氧化物半导体材料的尺寸有关。window(x)是一个窗函数,窗函数表达式可表示如下:
window(x)=j×[x(1/1+exp(I+(x-1))-1/1+exp(I-(x+1)))]P
其中,P为窗函数的控制参数,I表示电流值。
同时,在施加在忆阻器两端的电压与时间关系公式可表示为:v(t)=v0×sin(w0×t)。
对忆阻器读取出的RGB图像进行特征提取,并进行分类识别,从而得到恶意软件的识别结果。
作为本发明实施例中基于忆阻神经网络的恶意软件检测方法,进一步地,神经网络模型采用轻量级GhostNet神经网络,针对神经网络模型输入利用卷积核生成第一特征图,并对第一特征图通过线性变换获取第二特征图,将第一特征图和第二特征图通过拼接,并利用通道混合对特征图中各通道信息进行均匀通道重组,获取图片特征数据。进一步地,利用神经网络模型进行分类识别中,首先对图像特征进行降采样和降维处理,然后通过全连接层和softmax层对降采样和降维处理后的图像特征进行分类识别。
参见图3所示,借鉴GhostNet思想构建神经网络模型,GhostNet卷积模块分为两步,第一步使用较少的卷积核生成一部分特征图,第二步对第一部生成的特征图进行线性变换得到另一部分特征图,最后将两组特征图拼接在一起。以GhostNet的残差模块G-bneck为基础,构建网络结构。使用步长为1的结构进行增加通道数,步长为2的结构用作减少通道数,并用于两个Ghost模块之间,对其输入输出进行处理衔接。
利用神经网络模型进行软件检测过程中,首先,使用通道混合方法,对特征图的各通道的信息进行均匀的通道重组。基于ShuffleNet思想,对分组卷积之后的特征图进行通道的均匀重组,这样可以保证接下了采用的分组卷积的输入来自不同的组,信息可以在不同组之间流转。然后,将图像传入步长为2的卷积层,输出尺寸减半,通道数扩充为16的特征图。接下来,将得到的特征图依次传入3个含有步长为1和步长为2的G-bneck模块进行进一步处理,即6个由不同步长G-bneck交替构成的Ghost模块中,输出处理后的特征图。在该特征图的基础上,使用10层步长为1的G-bneck模块进行进一步特征提取,然后利用全局平均池化层进行降采样,减少参数量、计算量以及防止网络过拟合。使用1*1逐点卷积对特征图进行降维处理,最终使用全连接层和Softmax层进行分类识别恶意软件的恶意行为。
基于改进后的窗函数与图像分析技术对恶意软件的信息进行处理,提高恶意软件检测准确率;再结合通道混合方法及轻量级神经网络进一步实现恶意软件的精确识别。本案方案中所使用的忆阻器神经网络可构建于嵌入式设备,对物联网设备的恶意软件识别能够起到关键作用。
进一步地,基于上述的方法,本发明实施例还提供一种基于忆阻神经网络的恶意软件检测系统,包含:可视化模块、存储模块及分类识别模块,其中,
可视化模块,用于将待检测软件可视化为RGB彩色图像;
存储模块,用于将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
分类识别模块,用于利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法和/或系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的方法。
基于上述的方法和/或系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的方法。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于忆阻神经网络的恶意软件检测方法,其特征在于,包含如下内容:
将待检测软件可视化为RGB彩色图像;
将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
2.根据权利要求1所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,依据待检测软件文件大小,按字节读取并分别映射于图片RGB三通道中,形成三通道向量并将待检测软件可视化为RGB彩色图像。
3.根据权利要求1或2所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,通过对RGB彩色图像进行标准化和规格化处理获取尺寸相同的RGB三通道图片,并利用忆阻器阻值状态来映射RGB三通道图片像素值。
4.根据权利要求3所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,利用忆阻器对RGB彩色图像进行存储过程中,首先对RGB彩色图像的像素矩阵进行降维和归一化处理;将处理后的矩阵向量作为电压值施加至忆阻器交叉阵列结构中;忆阻器根据阻值等价来存储图像。
5.根据权利要求4所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,通过降维来获取每个维度的像素矩阵向量,并通过归一化处理将该维度的像素矩阵向量归一化至0~1之间,得到处理后的用于作为忆阻器施加电压值的矩阵向量。
6.根据权利要求1所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,忆阻器存储区域划分为用于高阻态的掺杂区和用于低阻态的未掺杂区,忆阻器阻值状态更新公式表示为:RMEM=RON×x+Roff×(1-x),其中,x=W/D,x∈(0,1),W代表掺杂区的长度,D代表忆阻器的总长度,Ron代表最小忆阻器阻值,Roff代表最大忆阻器阻值。
7.根据权利要求6所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,掺杂区和未掺杂区边界移动速度变化公式表示为:dx/dt=k×i(t)×window(x),k=μv×RON/D2,其中,μv表示杂质平均迁移率,i(t)表示电流函数,窗函数window(x)表示为:window(x)=j×[x(1/1+exp(I+(x-1))-1/1+exp(I-(x+1)))]P,P表示窗函数控制参数,I表示电流值。
8.根据权利要求1所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,神经网络模型采用轻量级GhostNet神经网络,针对神经网络模型输入利用卷积核生成第一特征图,并对第一特征图通过线性变换获取第二特征图,将第一特征图和第二特征图通过拼接,并利用通道混合对特征图中各通道信息进行均匀通道重组,获取图片特征数据。
9.根据权利要求8所述的基于忆阻神经网络的恶意软件检测方法,其特征在于,利用神经网络模型进行分类识别中,首先对图像特征进行降采样和降维处理,然后通过全连接层和softmax层对降采样和降维处理后的图像特征进行分类识别。
10.一种基于忆阻神经网络的恶意软件检测系统,其特征在于,包含:可视化模块、存储模块及分类识别模块,其中,
可视化模块,用于将待检测软件可视化为RGB彩色图像;
存储模块,用于将RGB彩色图像规格化处理,利用忆阻器将RGB彩色图像存储在忆阻器交叉阵列中;
分类识别模块,用于利用已训练的神经网络模型从忆阻器中提取图像特征并进行分类识别。
CN202111226745.6A 2021-10-21 2021-10-21 基于忆阻神经网络的恶意软件检测方法及系统 Pending CN113987488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111226745.6A CN113987488A (zh) 2021-10-21 2021-10-21 基于忆阻神经网络的恶意软件检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111226745.6A CN113987488A (zh) 2021-10-21 2021-10-21 基于忆阻神经网络的恶意软件检测方法及系统

Publications (1)

Publication Number Publication Date
CN113987488A true CN113987488A (zh) 2022-01-28

Family

ID=79739956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111226745.6A Pending CN113987488A (zh) 2021-10-21 2021-10-21 基于忆阻神经网络的恶意软件检测方法及系统

Country Status (1)

Country Link
CN (1) CN113987488A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189585A1 (en) * 2016-03-07 2018-07-05 Chengdu Haicun Ip Technology Llc Storage with In-situ Anti-Malware Capabilities
CN108846284A (zh) * 2018-06-29 2018-11-20 浙江工业大学 一种基于字节码图像和深度学习的Android恶意应用检测方法
CN111553415A (zh) * 2020-04-28 2020-08-18 哈尔滨理工大学 一种基于忆阻器的esn神经网络图像分类处理方法
CN113205102A (zh) * 2021-04-13 2021-08-03 宜宾电子科技大学研究院 一种基于忆阻神经网络的车辆标志识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189585A1 (en) * 2016-03-07 2018-07-05 Chengdu Haicun Ip Technology Llc Storage with In-situ Anti-Malware Capabilities
CN108846284A (zh) * 2018-06-29 2018-11-20 浙江工业大学 一种基于字节码图像和深度学习的Android恶意应用检测方法
CN111553415A (zh) * 2020-04-28 2020-08-18 哈尔滨理工大学 一种基于忆阻器的esn神经网络图像分类处理方法
CN113205102A (zh) * 2021-04-13 2021-08-03 宜宾电子科技大学研究院 一种基于忆阻神经网络的车辆标志识别方法

Similar Documents

Publication Publication Date Title
WO2022042002A1 (zh) 一种半监督学习模型的训练方法、图像处理方法及设备
US20220382553A1 (en) Fine-grained image recognition method and apparatus using graph structure represented high-order relation discovery
CN108681746B (zh) 一种图像识别方法、装置、电子设备和计算机可读介质
US20230153619A1 (en) Method for training neural network and related device
CN114549913B (zh) 一种语义分割方法、装置、计算机设备和存储介质
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
CN111667022A (zh) 用户数据处理方法、装置、计算机设备和存储介质
JP6891626B2 (ja) 情報処理装置、情報処理システム、情報処理プログラムおよび情報処理方法
CN112446888B (zh) 图像分割模型的处理方法和处理装置
KR102662997B1 (ko) 뉴럴 네트워크를 이용한 초분광 이미지 분류 방법 및 장치
CN111709415B (zh) 目标检测方法、装置、计算机设备和存储介质
CN114155388B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN116194933A (zh) 处理系统、处理方法以及处理程序
CN114692745A (zh) 数据处理方法、装置、集成芯片、电子设备及存储介质
CN111611796A (zh) 下位词的上位词确定方法、装置、电子设备及存储介质
CN114913339A (zh) 特征图提取模型的训练方法和装置
CN118097293A (zh) 基于残差图卷积网络和自注意力的小样本数据分类方法及系统
CN114330697A (zh) 一种基于随机电阻阵列的储备池计算模型的硬件实现方法、装置及电子设备
CN111914949B (zh) 基于强化学习的零样本学习模型的训练方法及装置
CN112084371A (zh) 一种电影多标签分类方法、装置、电子设备以及存储介质
CN111788582B (zh) 电子设备及其控制方法
CN113987488A (zh) 基于忆阻神经网络的恶意软件检测方法及系统
CN114580731A (zh) 人群计数预测方法、系统、计算机设备及存储介质
CN117010480A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN110929118B (zh) 网络数据处理方法、设备、装置、介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220128

RJ01 Rejection of invention patent application after publication