CN114913384A - 一种目标应用的分类方法、装置和电子设备 - Google Patents

一种目标应用的分类方法、装置和电子设备 Download PDF

Info

Publication number
CN114913384A
CN114913384A CN202210731081.7A CN202210731081A CN114913384A CN 114913384 A CN114913384 A CN 114913384A CN 202210731081 A CN202210731081 A CN 202210731081A CN 114913384 A CN114913384 A CN 114913384A
Authority
CN
China
Prior art keywords
image
target application
sub
network model
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.)
Pending
Application number
CN202210731081.7A
Other languages
English (en)
Inventor
张光华
张少华
张冬雯
侯波涛
郭禹伶
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.)
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Hebei University of Science and Technology
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Hebei University of Science and Technology
State Grid Hebei Energy Technology Service 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 Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, Hebei University of Science and Technology, State Grid Hebei Energy Technology Service Co Ltd filed Critical Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Priority to CN202210731081.7A priority Critical patent/CN114913384A/zh
Publication of CN114913384A publication Critical patent/CN114913384A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Storage Device Security (AREA)

Abstract

本发明提供一种目标应用的分类方法、装置和电子设备。该方法包括：获取目标应用的灰度图像，灰度图像用于表征目标应用的程序特征；对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到目标应用的去噪图像；将去噪图像输入到预先训练的SE‑Resnet网络模型，得到目标应用的分类结果，分类结果用于指示目标应用的恶意软件类型，SE‑Resnet网络模型用于对目标应用的程序特征进行加权分析，其中，不同的程序特征对应不同的权重。本发明能够提高目标应用的分类精度，使得恶意软件的检测更加准确。

Description

一种目标应用的分类方法、装置和电子设备
技术领域
本发明涉及互联网技术领域，尤其涉及一种目标应用的分类方法、装置和电子设备。
背景技术
恶意应用程序(恶意软件)是指能够破坏系统完整性，窃取系统用户信息和隐私的应用程序。随着大数据时代的到来，互联网技术迅速发展，导致新型的恶意攻击和恶意软件呈指数级的爆炸增长，为网络空间安全领域带来了前所未有的挑战。传统的恶意软件检测技术大多采用基于签名技术，通过人工分析获得软件的数字签名，并与签名库中已有的签名进行对比，来确定其是否为恶意软件。
然而结合混淆技术的恶意样本很难被其检测出来。目前，恶意软件检测分类技术主要分为：静态分析、动态分析。静态分析是对代码本身进行分析，不需在其运行过程中就能够对恶意样本进行详尽的细粒度分析，且快速地捕获语法和语义信息以进行分析，从而能够有效的识别出已知的恶意样本。主要是对恶意软件二进制文件进行反汇编提取静态特征，如操作码，字节码，API调用等，混淆和加密技术的出现导致无法检测未知恶意软件及其变种，存在分类精度不高的问题。
发明内容
本发明提供了一种目标应用的分类方法、装置和电子设备，能够提高目标应用的分类精度，使得恶意软件的检测更加准确。
第一方面，本发明提供了一种目标应用的分类方法，包括：获取目标应用的灰度图像，灰度图像用于表征目标应用的程序特征；对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到目标应用的去噪图像；将去噪图像输入到预先训练的SE-Resnet网络模型，得到目标应用的分类结果，分类结果用于指示目标应用的恶意软件类型，SE-Resnet网络模型用于对目标应用的程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
本发明提供一种目标应用的分类方法，通过获取目标应用的灰度图像，将目标应用的程序特征进行可视化显示，并在分类前基于小波变换技术对灰度图像进行小波变换处理，去除灰度图像中的噪声，锐化目标应用的程序特征，使得去噪图像更准确的表示目标应用的程序特征。且预先训练的SE-Resnet网络模型对目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重，从而在目标应用的分类过程中可以基于目标应用的多个程序特征间的重要程度进行分析，强化目标应用的程序特征与分类结果之间的逻辑关系，使得目标应用的分类结果更加准确，提高目标应用的分类精度，使得恶意软件的检测更加准确。
在一种可能的实现方式中，将去噪图像输入到预先训练的SE-Resnet网络模型，得到目标应用的分类结果，之前还包括：获取训练样本和验证样本；训练样本和验证样本均包括恶意软件应用的灰度图像和该恶意软件应用的恶意软件类型；基于训练样本，对SE-Resnet网络模型进行训练，并对SE-Resnet网络模型的参数进行优化；基于验证样本，对优化后的SE-Resnet网络模型进行验证，得到验证结果，若验证结果满足预设条件，则退出SE-Resnet网络模型的训练过程，得到预先训练的SE-Resnet网络模型，若验证结果不满足预设条件，则继续SE-Resnet网络模型的训练过程。
在一种可能的实现方式中，基于训练样本和测试样本，对SE-Resnet网络模型进行训练和测试，并对SE-Resnet网络模型的参数进行优化，包括：在每一次训练过程中，获取训练样本中的多个程序特征；基于程序特征进行卷积操作，得到初始特征图；对初始特征图进行压缩操作，得到压缩后的特征图；对压缩后的特征图进行激励操作，生成多个程序特征中各程序特征的权重，其中，不同的程序特征对应不同的权重；基于多个程序特征和各程序特征的权重，确定该训练样本的分类结果；基于该分类结果和该训练样本中的软件类型，对SE-Resnet网络模型的参数进行优化，并重新训练，直至训练结果与该训练样本中的软件类型的相似度达到设定相似度。
在一种可能的实现方式中，对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到去噪图像，包括：对灰度图像进行小波变换，得到多个子图像，子图像包括LL子图像、LH子图像、HL子图像和HH子图像，LL子图像表征灰度图像的低频信息，LH子图像表征灰度图像的高频信息的水平细节分量，HL子图像表征灰度图像的高频信息的垂直细节分量，HH子图像表征灰度图像的高频信息的对角线细节分量；基于预先设定的阈值对多个子图像，进行去噪处理，得到去噪后的多个子图像；对去噪后的多个子图像进行小波逆变换，得到去噪图像。
在一种可能的实现方式中，基于如下公式，确定所述多个子图像；
cA0(m,n)＝f(m,n)
Figure BDA0003713502890000031
Figure BDA0003713502890000032
Figure BDA0003713502890000033
Figure BDA0003713502890000034
其中，j为分解尺度，hk-2m为低通滤波器的水平分量，hl-2n为低通滤波器的垂直分量，gk-2m为高通滤波器的水平分量，gl-2n为高通滤波器的垂直分量，f(m,n)为所述灰度图像的像素值；cA0(m,n)为未进行小波分解时的小波系数；cAj(k,l)为第j次分解的小波系数，cAj+1(m,n)为低频系数；cHj+1(m,n)为高频系数中的水平细节系数，cVj+1(m,n)为高频系数中的垂直细节系数，cDj+1(m,n)为高频系数中的对角线细节系数。
在一种可能的实现方式中，基于预先设定的阈值对多个子图像，进行去噪处理，得到去噪后的多个子图像，包括：基于如下公式，确定各子图像的去噪阈值，并基于各子图像的去噪阈值对对应的个子图像，进行去噪处理，得到去噪后的多个子图像；
Figure BDA0003713502890000041
其中，T为去噪阈值，σn为噪声标准方差，N为各子图像的信号长度。
在一种可能的实现方式中，获取目标应用的灰度图像，包括：获取目标应用的程序文件；将程序文件转换为十进制文件，并基于十进制文件和通道数量，确定待转换的灰度图像的高度和宽度；以十进制文件的数据填充图像矩阵，图像矩阵的宽度等于待转换的灰度图像的宽度，图像矩阵的高度等于待转换的灰度图像的高度；将图像矩阵转化为灰度图像。
第二方面，本发明实施例提供了一种目标应用的分类装置，其特征在于，包括：通信模块，用于获取目标应用的灰度图像，灰度图像用于表征目标应用的多个程序特征；处理模块，用于对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到目标应用的去噪图像；将去噪图像输入到预先训练的SE-Resnet网络模型，得到目标应用的分类结果，分类结果用于指示目标应用的恶意软件类型，SE-Resnet网络模型用于对目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
第三方面，本发明实施例提供了一种电子设备，其特征在于，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
上述第二方面至第四方面中任一种实现方式所带来的技术效果可以参见第一方面对应实现方式所带来的技术效果，此处不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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目标应用的分类方法的流程示意图；
图2是本发明实施例提供的一种恶意软件生成灰度图像的流程示意图；
图3是本发明实施例提供的一种灰度图像分解的流程示意图；
图4是本发明实施例提供的一种SE-Resnet网络模型的示意图；
图5是本发明实施例提供的一种SE网络模块的的示意图；
图6是本发明实施例提供的另一种目标应用的分类方法的流程示意图；
图7是本发明实施例提供的另一种目标应用的分类方法的流程示意图；
图8是本发明实施例提供的一种目标应用的分类装置的结构示意图；
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
如背景技术所述，混淆和加密技术的出现导致无法检测未知恶意软件及其变种，存在分类精度不高的技术问题。
为解决上述技术问题，如图1所示，本发明实施例提供了一种目标应用的分类方法。执行主体为目标应用的分类装置，该分类方法包括步骤S101-S103。
S101、获取目标应用的灰度图像。
本申请实施例中，灰度图像用于表征目标应用的多个程序特征。
作为一种可能的实现方式，分类装置可以基于步骤A1-A4确定获取目标应用的灰度图像。
A1、获取目标应用的程序文件。
示例性的，目标应用的程序文件可以为二进制文件。分类装置可以对目标应用进行反编译，得到目标应用的程序文件。
又一示例性的，如图2所示，目标应用的程序文件还可以为十六进制文件。分类装置可以对目标应用的原始数据进行读取，得到由十六进制数字构成的矩阵。例如，目标应用的原始数据为(B1,B2,...,B8,X1,X2,...,X16)，其中，(B1,B2,...,B8)表示目标应用的行头，(X1,X2,...,X16)为由十六进制数字构成的矩阵。
A2、将程序文件转换为十进制文件，并基于十进制文件和通道数量，确定待转换的灰度图像的高度和宽度。
示例性的，分类装置可以将8位行头(B1,B2,...,B8)清除，将(X1,X2,...,X16)转化为0-255的十进制数组(D1,D2,...,D8)，以数组形式存储。
示例性的，分类装置可以将转化的十进制数组(D1,D2,...,D8)的数量除以要转化的通道数量λ得到结果Pλ，开方得到图像的高度和宽度，表示为
Figure BDA0003713502890000071
根据图像的高度和宽度，创建矩阵
Figure BDA0003713502890000072
A3、以十进制文件的数据填充图像矩阵。
其中，图像矩阵的宽度等于待转换的灰度图像的宽度，图像矩阵的高度等于待转换的灰度图像的高度。
示例性的，分类装置可以将所有转化的十进制数填充到该上述矩阵中。
A4、将图像矩阵转化为灰度图像。
示例性的，分类装置可以以图像矩阵中的元素值为灰度图像的像素值，将图像矩阵转化为灰度图像。
又一示例性的，分类装置可以使用B2M算法，将图像矩阵转化为灰度图像。
S102、对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到目标应用的去噪图像。
作为一种可能的实现方式，分类装置可以基于步骤S1021-S1023确定获取目标应用的去噪图像。
S1021、对灰度图像进行小波变换，得到多个子图像。
在一些实施例中，子图像可以仅包括表征灰度图像的低频信息的L子图像和表征灰度图像的高频信息的H子图像。
本申请实施例中，如图3所示，子图像可以包括LL子图像、LH子图像、HL子图像和HH子图像。其中，LL子图像表征灰度图像的低频信息，LH子图像表征灰度图像的高频信息的水平细节分量，HL子图像表征灰度图像的高频信息的垂直细节分量，HH子图像表征灰度图像的高频信息的对角线细节分量。
作为一种可能的实现方式，分类装置可以基于低通滤波器或高通滤波器，对灰度图像分别在水平方向和垂直方向进行卷积操作，得到各个子图像。
示例性的，分类装置可以基于如下公式，确定所述多个子图像。也即，灰度图像的分解公式如下所示。
cA0(m,n)＝f(m,n)
Figure BDA0003713502890000081
Figure BDA0003713502890000082
Figure BDA0003713502890000083
Figure BDA0003713502890000084
其中，j为分解尺度，hk-2m为低通滤波器的水平分量，hl-2n为低通滤波器的垂直分量，gk-2m为高通滤波器的水平分量，gl-2n为高通滤波器的垂直分量，f(m,n)为所述灰度图像的像素值；cA0(m,n)为未进行小波分解时的小波系数；cAj(k,l)为第j次分解的小波系数，cAj+1(m,n)为低频系数；cHj+1(m,n)为高频系数中的水平细节系数，cVj+1(m,n)为高频系数中的垂直细节系数，cDj+1(m,n)为高频系数中的对角线细节系数。
其中，低频系数即为LL子图像，高频系数中的水平细节系数即为LH子图像，高频系数中的垂直细节系数即为HL子图像，高频系数中的对角线细节系数即为HH子图像。
S1022、基于预先设定的阈值对多个子图像，进行去噪处理，得到去噪后的多个子图像。
作为一种可能的实现方式，分类装置可以基于如下公式，确定各子图像的去噪阈值，并基于各子图像的去噪阈值对对应的子图像，进行去噪处理，得到去噪后的多个子图像。
Figure BDA0003713502890000091
其中，T为去噪阈值，σn为噪声标准方差，N为各子图像的信号长度。
示例性的，对于任一子图像，分类装置可以将该子图像中小于该子图像对应阈值的像素值置零，将该子图像中大于等于该子图像对应阈值的像素值保持不变，从而实现对该子图像的去噪处理。
需要说明的是，对各子图像选取合适的阈值，用阀值函数对各子图像中的像素进行量化，大于阀值的小波系数被认为是有信号产生的，应予以保留，保持不变，小于阀值的则认为是噪声产生的，置为零，从而达到去噪的目的。最后将保留的通过逆变换进行图像重组。
S1023、对去噪后的多个子图像进行小波逆变换，得到去噪图像。
作为一种可能的实现方式，分类装置可以基于小波逆变换系数，对去噪后的多个子图像进行小波逆变换，得到去噪图像。
需要说明的是，分类装置可以对小波变换系数进行阈值量化处理，得到小波逆变换系数。小波逆变换系数包括低频系数和阈值量化处理后的高频系数。
示例性的，分类装置可以基于如下公式，确定阈值量化处理后的高频系数。
Figure BDA0003713502890000101
其中，η(ω)为阈值量化处理后的高频系数，ω为高频系数，T为去噪阈值，k为子图像中元素顺序。
本申请实施例中，高频系数ω可以为高频系数中的水平细节系数cHj+1(m,n)，高频系数中的垂直细节系数cVj+1(m,n)和高频系数中的对角线细节系数cDj+1(m,n)。
作为一种可能的实现方式，分类装置可以对阈值量化处理后的高频系数和低频系数，进行重构，得到去噪图像。示例性的，分类装置可以基于将阈值量化处理后的高频系数和低频系数，输入到灰度图像的分解公式，逆向推导出去噪图像的表达式，得到去噪图像。
需要说明的是，小波变换技术利用多分辨率分解能力可以将图片信息一层一层分解剥离开来。剥离的手段就是通过低通滤波器和高通滤波器。在图像处理中分别在水平和垂直方向进行滤波的方法实现二维小波多分辨率分解。LL子图像是由两个方向利用低通小波滤波器卷积后产生的小波系数，是图像的近似表示。HL子图像是在行方向利用低通小波滤波器卷积后，再用高通小波滤波器在列方向卷积而产生的小波系数，表示图像的水平方向奇异特性。LH子图像是在行方向利用高通小波滤波器卷积后，再用低通小波滤波器在列方向卷积而产生的小波系数，表示图像的垂直方向奇异特性。HH子图像是由两个方向利用高通小波滤波器卷积后产生的小波系数，它表示图像的对角边缘特性。然后对分解的子图像选取合适的阈值，用阀值对各子图像进行量化。
如此一来，本发明实施例可以对灰度图像进行小波变换，得到低频部分和高频部分。其中，低频部分保留有灰度图像的常规特征，高频部分保留有灰度图像的细节特征。本发明实施例可以基于低频部分和高频部分，选取更详细的图像特征来判断目标应用归属的恶意软件类型。
S103、将去噪图像输入到预先训练的SE-Resnet网络模型，得到目标应用的分类结果。
本申请实施例中，分类结果用于指示目标应用的恶意软件类型。
示例性的，恶意软件类型可以包括Adialer.C，Agent.FYI，C2Lop.P，Allaple.L，Fakerean和Allaple.A等。恶意软件类型还可以包括Yuner.A，Lolyda.AA 1，Lolyda.AA 2，Lolyda.AA 3，C2Lop.gen！G，Instant access，Swizzor.gen！I，Swizzor.gen！E，VB.AT，Alueron.gen！J，Malex.gen！J，Lolyda.AT，Wintrim.BX，Dialplatform.B，Dontovo.A，Obfuscator.AD，Autorun.K，Rbot！gen，Skintrim.N。本申请对此不作限定。
本申请实施例中，SE-Resnet网络模型用于对目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
作为一种可能的实现方式，如图4和图5所示，分类装置可以基于步骤S1031-S1034，确定目标应用的分类结果。
S1031、将去噪图像输入到预先训练的SE-Resnet网络模型，获取去噪图像中的多个程序特征。
S1032、基于多个程序特征进行卷积操作，得到该去噪图像的初始特征图。
需要说明的是，如图5所示，本发明实施例提供了一种SE网络模块的示意图。Ftr表示卷积操作，当输入一张转换的特征图X，它的通道数为c1，经过一系列卷积操作得到通道数为c2的特征图U，
示例性的，分类装置可以基于如下公式，进行卷积操作，得到该去噪图像的初始特征图。
Figure BDA0003713502890000122
其中，Vc表示第c个卷积核，UC表示经过第c个卷积核卷积操作后的特征图，XS表示卷积操作的第s次输入，C为卷积前的特征通道数量，X表示卷积操作的输入。
S1033、对该去噪图像的初始特征图进行压缩操作，得到压缩后的特征图。
需要说明的是，如图5所示，经过卷积后，得到特征图U，然后采用全局平均池化，将得到的特征图U进行特征压缩，使特征图获得全局感受野。
示例性的，分类装置可以基于如下公式，进行压缩操作，得到压缩后的特征图。
Figure BDA0003713502890000121
其中，Fsq(uc)表示压缩函数，W为预先设定的权重参数，用于对每个特征通道生成权重，不同的权重参数表示特征通道的重要程度不同，H表示压缩前的特征通道数量，uc(i,j)表示初始特征图中的特征，i为行号，j为列号。
S1034、对压缩后的特征图进行激励操作，生成多个程序特征中各程序特征的权重。
其中，不同的程序特征对应不同的权重。
需要说明的是，如图5所示，经过压缩得到的特征图U，引入权重参数W，通过利用W对每个特征通道生成权重，不同参数代表特征通道的重要程度不同。
示例性的，分类装置可以基于如下公式，进行激励操作，生成多个程序特征中各程序特征的权重。
Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
其中，z表示压缩后的特征图中的特征，δ表示ReLU激活函数，σ表示sigmoid函数,
Figure BDA0003713502890000131
Fex(z,W)表示激励函数，g表示与z和W相关的函数。
需要说明的是，为了限制模型复杂度，在非线性激活函数的两端引入两个全连接层，从而进行参数化。其中W1为降维层，W2为升维层，r表示缩放比例。激励操作的输出权重作为每个特征的重要程度，保持特征通道数不变并且没有引入新的特征维度，完成对原始特征图中特征重要性的重定标。
S1035、基于多个程序特征和各程序特征的权重，确定目标应用的分类结果。
示例性的，分类装置可以基于如下公式，进行重定标。
Figure BDA0003713502890000132
其中，uc表示卷积操作后的特征图中的特征，也即初始特征图中的特征，sc表示与特征uc对应的特征，
Figure BDA0003713502890000133
表示重定标后的SE-Resnet网络模型的输出值，Fscale(uc,sc)表示重定标函数。
需要说明的是，如图4和图5所示，本发明实施例在Resnet网络基础上嵌入SENet模块实现构建SE-Resnet网络，采用的SE-Resnet网络具有17个卷积层，两个池化层和一个全连接层，并在每个残差块中添加SENet模块加权提取恶意样本图像中的特征。SE-Resnet网络模型如图4所示。在Residual分支上首先将特征维度降低到输入的
Figure BDA0003713502890000134
然后经过一个ReLU激活函数后再通过一个Fully Connected层升回原来的维度，这样可以具有更多非线性，更好的拟合特征通道间复杂相关性，并且极大减少训练参数。然后通过Sigmoid函数获得0～1之间的归一化权重，最后通过一个Scale操作将归一化后的权重加权到每个特征上。
本发明提供一种目标应用的分类方法，通过获取目标应用的灰度图像，将目标应用的程序特征进行可视化显示，并在分类前基于小波变换技术对灰度图像进行小波变换处理，去除灰度图像中的噪声，锐化目标应用的程序特征，使得去噪图像更准确的表示目标应用的程序特征。且预先训练的SE-Resnet网络模型对目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重，从而在目标应用的分类过程中可以基于目标应用的多个程序特征间的重要程度进行分析，强化目标应用的程序特征与分类结果之间的逻辑关系，使得目标应用的分类结果更加准确，提高目标应用的分类精度，使得恶意软件的检测更加准确。
需要说明的是，如图6所示，本发明实施例通过将目标应用的程序文件转化为灰度图像，并基于小波变换对灰度图像进行重构，去除灰度图像中的噪声，锐化目标应用的常规特征和细节特征。之后将重构后的图像输入到SE-Resnet网络模型进行恶意软件分类，并采用以下超参数网络进行性能分析：输入的图像尺寸为224×224，网络选用的卷积核个数分别为16，32，64，128，256。SE-Resnet网络模型的输入为经过小波变换分解和重构的灰度图像，即去噪图像，输出为恶意软件类型。
可选的，如图6所示，本发明实施例提供的一种目标应用的分类方法，在步骤S103之前，还包括步骤S201-S203。
S201、获取训练样本和验证样本。
其中，训练样本和验证样本均包括恶意软件应用的灰度图像和该恶意软件应用的恶意软件类型。每个训练样本包括该训练样本的灰度图像和该训练样本的恶意软件类型。每个验证样本包括该验证样本的灰度图像和该验证样本的恶意软件类型。
S202、基于训练样本，对SE-Resnet网络模型进行训练，并对SE-Resnet网络模型的参数进行优化。
作为一种可能的实现方式，在每一次训练过程中，分类装置可以基于步骤B1-B6对SE-Resnet网络模型的参数进行优化。
B1、获取训练样本中的多个程序特征。
B2、基于程序特征进行卷积操作，得到初始特征图。
B3、对初始特征图进行压缩操作，得到压缩后的特征图。
B4、对压缩后的特征图进行激励操作，生成多个程序特征中各程序特征的权重。
其中，不同的程序特征对应不同的权重；
B5、基于多个程序特征和各程序特征的权重，确定训练样本的分类结果。
B6、基于该分类结果和该训练样本中的恶意软件类型，对SE-Resnet网络模型的参数进行优化，并重新训练，直至该分类结果与该训练样本中的软件类型的相似度达到设定相似度。
S203、基于验证样本，对优化后的SE-Resnet网络模型进行验证，得到验证结果，若验证结果满足预设条件，则退出SE-Resnet网络模型的训练过程，得到预先训练的SE-Resnet网络模型，若验证结果不满足预设条件，则继续SE-Resnet网络模型的训练过程。
如此一来，本发明实施例可以基于训练样本和验证样本对SE-Resnet网络模型进行训练和参数优化，存储训练好的恶意软件分类模型，最终实现基于小波变换和SE-Resnet网络的可视化恶意软件分类方法。相对于传统的恶意软件分类方法，在检测混淆或变体的恶意样本时达到较好的检测效果，无需消耗大量计算资源并且检测时间较短，并且具有较强的泛化能力和鲁棒性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图8示出了本发明实施例提供的一种目标应用的分类装置的结构示意图。该分类装置300包括通信模块301和处理模块302。
通信模块301，用于获取目标应用的灰度图像，灰度图像用于表征目标应用的多个程序特征；
处理模块302，用于对目标应用的灰度图像进行小波变换处理，去除灰度图像中的噪声，得到目标应用的去噪图像；将去噪图像输入到预先训练的SE-Resnet网络模型，得到目标应用的分类结果，分类结果用于指示目标应用的恶意软件类型，SE-Resnet网络模型用于对目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
在一种可能的实现方式中，通信模块301，还用于获取训练样本和验证样本；训练样本和验证样本均包括恶意软件应用的灰度图像和该恶意软件应用的恶意软件类型；处理模块302，还用于基于训练样本，对SE-Resnet网络模型进行训练，并对SE-Resnet网络模型的参数进行优化；基于验证样本，对优化后的SE-Resnet网络模型进行验证，得到验证结果，若验证结果满足预设条件，则退出SE-Resnet网络模型的训练过程，得到预先训练的SE-Resnet网络模型，若验证结果不满足预设条件，则继续SE-Resnet网络模型的训练过程。
在一种可能的实现方式中，处理模块302，具体用于在每一次训练过程中，获取训练样本中的多个程序特征；基于程序特征进行卷积操作，得到初始特征图；对初始特征图进行压缩操作，得到压缩后的特征图；对压缩后的特征图进行激励操作，生成多个程序特征中各程序特征的权重，其中，不同的程序特征对应不同的权重；基于多个程序特征和各程序特征的权重，确定该训练样本的分类结果；基于该分类结果和该训练样本中的软件类型，对SE-Resnet网络模型的参数进行优化，并重新训练，直至训练结果与该训练样本中的软件类型的相似度达到设定相似度。
在一种可能的实现方式中，处理模块302，具体用于对灰度图像进行小波变换，得到多个子图像，子图像包括LL子图像、LH子图像、HL子图像和HH子图像，LL子图像表征灰度图像的低频信息，LH子图像表征灰度图像的高频信息的水平细节分量，HL子图像表征灰度图像的高频信息的垂直细节分量，HH子图像表征灰度图像的高频信息的对角线细节分量；基于预先设定的阈值对多个子图像，进行去噪处理，得到去噪后的多个子图像；对去噪后的多个子图像进行小波逆变换，得到去噪图像。
在一种可能的实现方式中，处理模块302，具体用于基于如下公式，确定所述多个子图像；
cA0(m,n)＝f(m,n)
Figure BDA0003713502890000171
Figure BDA0003713502890000172
Figure BDA0003713502890000173
Figure BDA0003713502890000174
其中，j为分解尺度，hk-2m为低通滤波器的水平分量，hl-2n为低通滤波器的垂直分量，gk-2m为高通滤波器的水平分量，gl-2n为高通滤波器的垂直分量，f(m,n)为所述灰度图像的像素值；cA0(m,n)为未进行小波分解时的小波系数；cAj(k,l)为第j次分解的小波系数，cAj+1(m,n)为低频系数；cHj+1(m,n)为高频系数中的水平细节系数，cVj+1(m,n)为高频系数中的垂直细节系数，cDj+1(m,n)为高频系数中的对角线细节系数。
在一种可能的实现方式中，处理模块302，具体用于确定各子图像的去噪阈值，并基于各子图像的去噪阈值对对应的个子图像，进行去噪处理，得到去噪后的多个子图像；
Figure BDA0003713502890000175
其中，T为去噪阈值，σn为噪声标准方差，N为各子图像的信号长度。
在一种可能的实现方式中，通信模块301，具体用于获取目标应用的程序文件；将程序文件转换为十进制文件，并基于十进制文件和通道数量，确定待转换的灰度图像的高度和宽度；以十进制文件的数据填充图像矩阵，图像矩阵的宽度等于待转换的灰度图像的宽度，图像矩阵的高度等于待转换的灰度图像的高度；将图像矩阵转化为灰度图像。
图9是本发明实施例提供的一种电子设备的结构示意图。如图9所示，该实施例的电子设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述各方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块/单元的功能，例如，图8所示通信模块301和处理模块302的功能。
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述电子设备400中的执行过程。例如，所述计算机程序403可以被分割成图8所示通信模块301和处理模块302。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述电子设备400的内部存储单元，例如电子设备400的硬盘或内存。所述存储器402也可以是所述电子设备400的外部存储设备，例如所述电子设备400上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述电子设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种目标应用的分类方法，其特征在于，包括：
获取目标应用的灰度图像，所述灰度图像用于表征所述目标应用的多个程序特征；
对所述目标应用的灰度图像进行小波变换处理，去除所述灰度图像中的噪声，得到目标应用的去噪图像；
将所述去噪图像输入到预先训练的SE-Resnet网络模型，得到所述目标应用的分类结果，所述分类结果用于指示所述目标应用的恶意软件类型，所述SE-Resnet网络模型用于对所述目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
2.根据权利要求1所述的目标应用的分类方法，其特征在于，所述将所述去噪图像输入到预先训练的SE-Resnet网络模型，得到所述目标应用的分类结果，之前还包括：
获取训练样本和验证样本；所述训练样本和验证样本均包括恶意软件应用的灰度图像和该恶意软件应用的恶意软件类型；
基于所述训练样本，对SE-Resnet网络模型进行训练，并对所述SE-Resnet网络模型的参数进行优化；
基于所述验证样本，对优化后的SE-Resnet网络模型进行验证，得到验证结果，若所述验证结果满足预设条件，则退出SE-Resnet网络模型的训练过程，得到所述预先训练的SE-Resnet网络模型，若所述验证结果不满足预设条件，则继续SE-Resnet网络模型的训练过程。
3.根据权利要求2所述的目标应用的分类方法，其特征在于，所述基于所述训练样本和测试样本，对SE-Resnet网络模型进行训练和测试，并对所述SE-Resnet网络模型的参数进行优化，包括：
在每一次训练过程中，
获取训练样本中的多个程序特征；
基于所述程序特征进行卷积操作，得到初始特征图；
对所述初始特征图进行压缩操作，得到压缩后的特征图；
对所述压缩后的特征图进行激励操作，生成所述多个程序特征中各程序特征的权重，其中，不同的程序特征对应不同的权重；
基于所述多个程序特征和各程序特征的权重，确定该训练样本的分类结果；
基于该分类结果和该训练样本中的软件类型，对SE-Resnet网络模型的参数进行优化，并重新训练，直至训练结果与该训练样本中的软件类型的相似度达到设定相似度。
4.根据权利要求1所述的目标应用的分类方法，其特征在于，所述对所述目标应用的灰度图像进行小波变换处理，去除所述灰度图像中的噪声，得到去噪图像，包括：
对所述灰度图像进行小波变换，得到多个子图像，所述子图像包括LL子图像、LH子图像、HL子图像和HH子图像，所述LL子图像表征所述灰度图像的低频信息，所述LH子图像表征所述灰度图像的高频信息的水平细节分量，所述HL子图像表征所述灰度图像的高频信息的垂直细节分量，所述HH子图像表征所述灰度图像的高频信息的对角线细节分量；
基于预先设定的阈值对所述多个子图像，进行去噪处理，得到去噪后的多个子图像；
对所述去噪后的多个子图像进行小波逆变换，得到所述去噪图像。
5.根据权利要求4所述的目标应用的分类方法，其特征在于，所述对所述灰度图像进行小波变换，得到多个子图像，包括：
基于如下公式，确定所述多个子图像；
cA0(m,n)＝f(m,n)
Figure FDA0003713502880000031
Figure FDA0003713502880000032
Figure FDA0003713502880000033
Figure FDA0003713502880000034
其中，j为分解尺度，hk-2m为低通滤波器的水平分量，hl-2n为低通滤波器的垂直分量，gk-2m为高通滤波器的水平分量，gl-2n为高通滤波器的垂直分量，f(m,n)为所述灰度图像的像素值；cA0(m,n)为未进行小波分解时的小波系数；cAj(k,l)为第j次分解的小波系数，cAj+1(m,n)为低频系数；cHj+1(m,n)为高频系数中的水平细节系数，cVj+1(m,n)为高频系数中的垂直细节系数，cDj+1(m,n)为高频系数中的对角线细节系数。
6.根据权利要求4所述的目标应用的分类方法，其特征在于，所述基于预先设定的阈值对所述多个子图像，进行去噪处理，得到去噪后的多个子图像，包括：
基于如下公式，确定各子图像的去噪阈值，并基于各子图像的去噪阈值对对应的个子图像，进行去噪处理，得到去噪后的多个子图像；
Figure FDA0003713502880000035
其中，T为去噪阈值，σn为噪声标准方差，N为各子图像的信号长度。
7.根据权利要求1所述的目标应用的分类方法，其特征在于，所述获取目标应用的灰度图像，包括：
获取所述目标应用的程序文件；
将所述程序文件转换为十进制文件，并基于所述十进制文件和通道数量，确定待转换的灰度图像的高度和宽度；
以所述十进制文件的数据填充图像矩阵，所述图像矩阵的宽度等于所述待转换的灰度图像的宽度，所述图像矩阵的高度等于所述待转换的灰度图像的高度；
将所述图像矩阵转化为所述灰度图像。
8.一种目标应用的分类装置，其特征在于，包括：
通信模块，用于获取目标应用的灰度图像，所述灰度图像用于表征所述目标应用的多个程序特征；
处理模块，用于对所述目标应用的灰度图像进行小波变换处理，去除所述灰度图像中的噪声，得到目标应用的去噪图像；将所述去噪图像输入到预先训练的SE-Resnet网络模型，得到所述目标应用的分类结果，所述分类结果用于指示所述目标应用的恶意软件类型，所述SE-Resnet网络模型用于对所述目标应用的多个程序特征进行加权分析，其中，不同的程序特征对应不同的权重。
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法。
CN202210731081.7A 2022-06-24 2022-06-24 一种目标应用的分类方法、装置和电子设备 Pending CN114913384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210731081.7A CN114913384A (zh) 2022-06-24 2022-06-24 一种目标应用的分类方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210731081.7A CN114913384A (zh) 2022-06-24 2022-06-24 一种目标应用的分类方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN114913384A true CN114913384A (zh) 2022-08-16

Family

ID=82772848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210731081.7A Pending CN114913384A (zh) 2022-06-24 2022-06-24 一种目标应用的分类方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114913384A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826060A (zh) * 2019-09-19 2020-02-21 中国科学院信息工程研究所 物联网恶意软件的可视化分类方法、装置与电子设备
US20200218806A1 (en) * 2017-06-30 2020-07-09 Ctilab Co., Ltd. Artificial intelligence based malware detection system and method
CN111552964A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于静态分析的恶意软件分类方法
CN111552963A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于结构熵序列的恶意软件分类方法
CN113256508A (zh) * 2021-04-09 2021-08-13 浙江工业大学 一种改进的小波变换与卷积神经网络图像去噪声的方法
CN114140652A (zh) * 2021-12-21 2022-03-04 上海海洋大学 一种基于SE-ResNet模型的茶叶品种分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200218806A1 (en) * 2017-06-30 2020-07-09 Ctilab Co., Ltd. Artificial intelligence based malware detection system and method
CN110826060A (zh) * 2019-09-19 2020-02-21 中国科学院信息工程研究所 物联网恶意软件的可视化分类方法、装置与电子设备
CN111552964A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于静态分析的恶意软件分类方法
CN111552963A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于结构熵序列的恶意软件分类方法
CN113256508A (zh) * 2021-04-09 2021-08-13 浙江工业大学 一种改进的小波变换与卷积神经网络图像去噪声的方法
CN114140652A (zh) * 2021-12-21 2022-03-04 上海海洋大学 一种基于SE-ResNet模型的茶叶品种分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张童: "《基于深度学习的多角度人脸识别方法研究与实现》", 《中国优秀硕士学位论文全文数据库，社会科学I辑》 *
李景玉等: "《基于小波变换的多尺度图像融合增强算法》", 《光学技术》 *

Similar Documents

Publication Publication Date Title
Barni et al. Aligned and non-aligned double JPEG detection using convolutional neural networks
Boroumand et al. Deep learning for detecting processing history of images
CN108351984B (zh) 硬件高效的深度卷积神经网络
CN110136744B (zh) 一种音频指纹生成方法、设备及存储介质
Kang et al. Identifying tampered regions using singular value decomposition in digital image forensics
Ren et al. Dn-resnet: Efficient deep residual network for image denoising
Wang et al. Optimized feature extraction for learning-based image steganalysis
CN107679572B (zh) 一种图像判别方法、存储设备及移动终端
Li et al. Inference of a compact representation of sensor fingerprint for source camera identification
Song et al. 2D Gabor filters-based steganalysis of content-adaptive JPEG steganography
CN110929836B (zh) 神经网络训练及图像处理方法和装置、电子设备、介质
Chen et al. Effective and adaptive algorithm for pepper‐and‐salt noise removal
Kim et al. Fast 2D complex Gabor filter with kernel decomposition
Cogranne et al. Application of hypothesis testing theory for optimal detection of LSB matching data hiding
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
WO2023284609A1 (zh) 图形码识别方法、装置、计算机设备和存储介质
Rani et al. A robust watermarking scheme exploiting balanced neural tree for rightful ownership protection
CN115345768A (zh) 基于神经网络的鲁棒水印攻击方法及系统
Progonov Performance of statistical stegdetectors in case of small number of stego images in training set
CN113436078A (zh) 一种自适用图像超分辨率重构方法及装置
CN110428402B (zh) 图像篡改识别方法、装置、计算机设备及存储介质
CN114913384A (zh) 一种目标应用的分类方法、装置和电子设备
Alshathri et al. Denoising Letter Images from Scanned Invoices Using Stacked Autoencoders.
Liu et al. An efficient distortion cost function design for image steganography in spatial domain using quaternion representation
Li et al. Distribution-transformed network for impulse noise removal

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: 20220816

RJ01 Rejection of invention patent application after publication