微薄的注意力与剩余的金字塔深度可分离的卷积式基于恶意软件的检测与优化机制
1Department of Computer Science and Engineering, E.G.S. Pillay Engineering College, Nagapattinam, Tamil Nadu, 611002, India. ranjanimecse1315@gmail.com.
Scientific reports
|October 17, 2024
概括
这项研究引入了一种用于云恶意软件检测的新型深度学习方法,将API调用转换为图像,以提高识别威胁的准确性和效率.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 云计算 云计算 云计算 云计算
背景情况:
- 恶意软件对云系统的安全性和隐私构成重大风险.
- 传统的基于签名的恶意软件检测方法对不断变化的威胁无效.
- 现有的API调用分析模型面临准确性和分类挑战.
研究的目的:
- 为云环境开发基于深度学习的高级恶意软件检测系统.
- 通过使用基于图像的API调用分析来解决现有方法的局限性.
- 为了提高恶意软件分类的准确性和效率.
主要方法:
- 将API调用数据转换为2D灰度图像进行分析.
- 使用加权平均值和异型波器进行图像预处理.
- 使用集成密集连接的挤压MobileNet v2 (Ef-DeSMob2) 进行特征提取.
- 实现了与剩余金字塔深度分离可卷积神经网络 (SA:ResPyDSC) 的稀疏注意力进行分类.
- 使用混合白白优化算法 (Hy-WBeOp) 微调的分类器超参数.
主要成果:
- 实现了高精度 (98.06%),精度 (97.99%),回忆 (97.05%) 和F1得分 (96.08%).
- 证明MSE (0.08),RMSE (0.27) 和MAE (0.21) 的错误率很低.
- 在恶意软件分类的效率和准确性方面表现优于现有的技术.
结论:
- 提出的深度学习方法有效地对云系统中的恶意软件进行分类.
- 基于图像的API调用分析提高了检测可靠性并减少了错误.
- 这种方法建立了一个强大的系统来保护自己免受复杂的网络威胁.
