Jove
Visualize
联系我们

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

A Framework for Budget-Constrained Zero-Day Cyber Threat Mitigation: A Knowledge-Guided Reinforcement Learning Approach.

Sensors (Basel, Switzerland)·2026
Same author

CyberSentinel: A Transparent Defense Framework for Malware Detection in High-Stakes Operational Environments.

Sensors (Basel, Switzerland)·2024
查看所有相关文章
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 3, 2025

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K

基于注意力的恶意软件检测模型通过通过动态剩余内核网络来可视化潜伏特征.

Mainak Basak1, Dong-Wook Kim1, Myung-Mook Han1

  • 1School of Computing, Gachon University, Seongnam 461-701, Republic of Korea.

Sensors (Basel, Switzerland)
|January 8, 2025
PubMed
概括

这项研究引入了一种基于图像的恶意软件分类方法,显著提高了准确性和效率. 新方法克服了传统静态和动态分析的局限性,用于强大的恶意软件检测.

关键词:
可以解释的人工智能AI恶意软件分析 恶意软件分析剩余网络的剩余网络视觉分析 视觉分析

更多相关视频

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

463
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

662

相关实验视频

Last Updated: Jun 3, 2025

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

1.3K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

463
DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning
04:17

DNA Virus Detection System Based on RPA-CRISPR/Cas12a-SPM and Deep Learning

Published on: May 10, 2024

662

科学领域:

  • 网络安全 网络安全
  • 计算机科学 计算机科学
  • 机器学习 机器学习

背景情况:

  • 传统的恶意软件分析在准确性,假阴性和资源消耗方面面临挑战.
  • 恶意软件开发人员经常回避基于签名的检测.
  • 静态和动态分析方法具有固有的局限性,包括软件依赖和虚拟环境中的隐藏.

研究的目的:

  • 开发一种新的,软件独立的恶意软件分类方法.
  • 为了提高恶意软件检测的准确性和效率.
  • 解决现有的静态和动态分析技术的局限性.

主要方法:

  • 恶意软件文件被转换成图像表示.
  • 在这些恶意软件图像上使用神经网络方法训练了一个分类器.
  • 卷积技术和深度残留块用于特征提取.

主要成果:

  • 提出的基于图像的恶意软件分类实现了99.5%的准确性.
  • 这代表了比同等概率基准的绝对改善95.65%.
  • 该方法表现出更高的效率和软件独立.

结论:

  • 基于图像的恶意软件分析方法非常准确和高效.
  • 这种新的方法克服了传统恶意软件检测技术的缺点.
  • 该技术为分类恶意软件变体提供了强大的解决方案.