GCSA-ResNet:用于恶意软件检测的深度神经网络架构.
Yukang Fan1, Kun Zhang2, Bing Zheng3
1School of Information Science and Technology, Hainan Normal University, Haikou, Hainan, 571158, China.
Scientific reports
|July 6, 2025
概括
这项研究介绍了GCSA-ResNet,这是一种用于增强恶意软件检测的深度学习模型. 它通过更有效地分析可视化恶意软件图像来提高准确性并减少虚假阳性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 传统的恶意软件检测方法在恶意软件复杂性和数量增加方面扎.
- 深度学习提供了潜力,但在特征提取和分类准确性方面面临挑战.
- 现有的注意力机制在捕捉本地和全球特征方面都有局限性.
研究的目的:
- 提出一种新的深度学习模型,GCSA-ResNet,以显著提高恶意软件检测性能.
- 引入全球通道空间注意力 (GCSA) 模块,用于从可视化恶意软件中提取增强的功能.
- 解决现有方法中特征退化和跨家族错误分类方面的局限性.
主要方法:
- 通过将全球通道空间注意 (GCSA) 模块与ResNet-50架构集成,开发了GCSA-ResNet.
- GCSA模块协同使用道注意力,道混合和空间注意力来捕获纹理和依赖特性.
- 在空间注意力中使用 7x7 卷积内核来建模远程空间相关性.
主要成果:
- 在Malimg和微软BIG 2015数据集上,GCSA-ResNet的准确度超过了98.50%.
- 与基线模型相比,表现出超过0.5%的性能改善.
- 减少了40-50%的错误阳性率,同时保持了稳定的精度,回忆和F1分数.
结论:
- 通过利用先进的注意力机制,GCSA-ResNet有效地提高了恶意软件的检测.
- 该模型克服了现有方法在特征退化和跨家族错误分类方面的局限性.
- 拟议的方法为识别复杂和不断变化的恶意软件威胁提供了一个强大的解决方案.
