典型文献
基于参数优化元学习和困难样本挖掘的小样本恶意软件分类方法
文献摘要：
在恶意软件分类中,针对新出现的恶意软件样本数量少导致分类准确性低的问题,提出了一种基于参数优化元学习和困难样本挖掘的方法.首先,将恶意软件反编译得到二进制文件,进而转化为灰度图.然后,使用参数优化元学习在多个任务上训练模型,获得浅层神经网络的初始化参数,并在此基础上,根据测试集中的少量任务来微调模型.同时,结合困难样本挖掘方法,有目的 性地组织样本训练模型,提高模型的收敛速度以及分类准确率.最后,在Malimg数据集和BIG-2015数据集上与已有深度学习方法做了对比实验.实验结果表明:在Malimg数据集上,分类准确率达到0.9967;在BIG-2015数据集上,分类准确率达到0.9933,都优于已有方法.
文献关键词：
恶意软件;神经网络;元学习;困难样本挖掘
中图分类号：
作者姓名：
王方伟;柴国芳;李青茹;王长广
作者机构：
河北师范大学河北省网络与信息安全重点实验室,河北石家庄050024;河北师范大学计算机与网络空间安全学院,河北石家庄050024
文献出处：
引用格式：
[1]王方伟;柴国芳;李青茹;王长广-.基于参数优化元学习和困难样本挖掘的小样本恶意软件分类方法)[J].武汉大学学报（理学版）,2022(01):17-25
A类：
Malimg
B类：
元学习,困难样本挖掘,小样本,恶意软件分类,分类方法,新出现,样本数量,分类准确性,反编译,二进制,灰度图,训练模型,浅层神经网络,初始化,测试集,微调,挖掘方法,样本训练,收敛速度,分类准确率,BIG,有深度,深度学习方法
AB值：
0.260707
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。
