使用改进的GhostNetV2与图像增强技术的移动恶意软件检测方法
Yao Du1,2, CaiXia Gao1, Xi Chen3
1College of Computer Science and Artificial Intelligence, Southwest Minzu University, Chengdu, China.
Scientific reports
|July 11, 2025
概括
这项研究引入了改进的GhostNetV2模型,用于增强恶意软件检测,实现正常和对抗样本的高精度. 该方法有效地识别恶意代码,同时提高检测效率.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 基于图像的特征提取和深度学习对于恶意软件检测效率至关重要.
- 敌对样本生成技术显著挑战目前的恶意软件检测模型.
- 现有的模型显示对抗性样本的有效性下降.
研究的目的:
- 为强大的恶意软件检测提出一个改进的GhostNetV2模型.
- 为了提高正常和敌对恶意软件样本的检测性能.
- 解决当前深度学习模型对抗对抗攻击的局限性.
主要方法:
- 安卓 classes.dex 文件转换为 RGB 图像,增强了局部直方形等级.
- 用于RGB到单通道图像转换的Gabor方法,以减少处理时间.
- 改进了GhostNetV2模型,提供了频道混合,高效的频道注意力和优化的激活功能.
主要成果:
- 拟议的模型在正常恶意软件检测中实现了97.7%的准确性.
- 该模型在对抗样本检测中获得了92.0%的准确性.
- 在检测任务中表现优于20个最先进的深度学习模型.
结论:
- 改进的GhostNetV2模型在恶意软件检测方面提供了卓越的性能,特别是在对抗性样本时.
- 图像预处理和模型增强有助于提高准确性和效率.
- 这种方法为强大高效的恶意软件检测系统提供了有前途的解决方案.
