典型文献
基于挤压激励网络的恶意代码家族检测方法
文献摘要：
恶意代码已经成为威胁网络安全的重要因素.基于机器学习的恶意代码检测方法已经取得较好的效果,但面对相似的恶意代码家族,往往效果不佳.对此,提出了一种基于挤压激励网络的检测算法,由卷积神经网络(Convolutional Neural Network,CNN)与挤压和激励(Squeeze-and-Excitation,SE)模块构成.CNN先快速提取恶意代码的图像特征,SE模块对多通道特征图进行全局平均池化,将全局信息压缩,然后通过全连接层自适应学习,并将每个通道特征图赋予不同的权重来表示不同的重要程度,指导激励或抑制特征信息.实验结果表明,该方法相对于传统机器学习方法有更好的检测效果,与深度学习算法相比检测效果也有一定的提升且参数量大大减少.
文献关键词：
恶意代码;机器学习;卷积神经网络;挤压和激励网络
中图分类号：
作者姓名：
申高宁;陈志翔;王辉;陈姮
作者机构：
闽南师范大学计算机学院,福建漳州363000;数据科学与智能应用福建省高校重点实验室,福建漳州363000;闽南师范大学物理与信息工程学院,福建漳州363000
文献出处：
引用格式：
[1]申高宁;陈志翔;王辉;陈姮-.基于挤压激励网络的恶意代码家族检测方法)[J].网络安全与数据治理,2022(06):1-9
A类：
挤压和激励网络
B类：
挤压激励网络,基于机器学习,恶意代码检测,检测算法,Convolutional,Neural,Network,Squeeze,Excitation,SE,快速提取,图像特征,多通道特征,特征图,全局平均池化,全局信息,信息压缩,全连接层,自适应学习,重来,重要程度,特征信息,机器学习方法,检测效果,深度学习算法,参数量,大大减少
AB值：
0.32025
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
