- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
机真
第40卷第7期算仿2023年7月
文章编号:1006-9348(2023)07-0224-05
基于量化的CNN恶意代码检测方法
邱晓蕾,张红梅,严海兵
(桂林电子科技大学信息与通信学院,广西桂林541004)
摘要:针对当前采用深度学习的恶意代码检测方法存在计算资源消耗较大,难以部署到资源受限的边缘设备的问题,提出了
一个对恶意代码可视化检测模型进行压缩的方法。将恶意软件转换成灰度图像后,输人卷积神经网络,对卷积神经网络的
输人值和权重进行量化运算,构建恶意代码的分类模型HBF-VGG14-Net,通过量化后的VGG14模型进行训练及测试得到
检测结果。实验结果表明,相比全精度VCG14模型,HBF-VGG14-Net在精度损失较小的情况下,能够实现模型压缩28倍。
所提方法预处理操作简单,训练的模型占用内存较小,故HBF-VGG14-Net模型可用于边缘设备的恶意软件检测。
关键词:恶意软件检测;卷积神经网络;量化;可视化
中图分类号:TP393.08文献标识码:B
CNNMaliciousCodeDetectionMethodBasedonQuantization
QIUXiao-lei,ZHANGHong-mei,YANHai-bing
(SchoolofInformationandCommunication,GuilinUniversityofElectronicTechnology,
GuilinGuangxi541004,China)
ABSTRACT:Aimingattheproblemthatthecurrentmaliciouscodedetectionmethodbasedondeeplearningcon-
sumeslargecomputingresourcesandisdifficulttodeploytoresource-constrainededgedevices,amethodtocom-
pressthevisualdetectionmodelofmaliciouscodeisproposed.Firstly,themalicioussoftwarewasconvertedintoa
grayscaleimage,whichwastheninputintoaconvolutionalneuralnetwork.Theinputvaluesandweightsoftheconv-
olutionalneuralnetworkwerequantified,andamaliciouscodeclassificationmodelHBF-VGG14-Netwasconstruc-
ted.ThedetectionresultsareobtainedbytrainingandtestingthequantizedVGG14model.Comparedwiththefull-
precisionVGG14model,HBF-VCGG14-Netcanachievethemodelcompressionof28timeswithlessprecisionloss.
Thepreprocessingoperationofthismethodissimple,andthetrainedmodeloccupieslessmemory,sotheHBF-
VGG14-Netmode
文档评论(0)