通过使用深度学习技术,提高网络流量的恶意软件检测和分类.
Pratibha Amol Tambewagh1, Dayanand Ingle2
1Bharati Vidyapeeth Institute of Technology, Navi Mumbai, Maharashtra, India.
Journal of forensic sciences
|November 6, 2025
概括
这项研究使用先进的深度学习 (DL) 技术提高了网络流量的恶意软件检测. 新型号的准确性达到了98%,大大提高了对不断变化的威胁的实时网络安全.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 传统的恶意软件检测与复杂,不断变化的网络流量作斗争.
- 高假阳性和实时检测难度是关键挑战.
- 需要先进的方法来准确识别恶意活动.
研究的目的:
- 为了提高恶意软件检测的准确性,并减少网络流量中的假阳性.
- 通过使用深度学习在动态网络环境中实现实时恶意软件检测.
- 研究先进的深度学习技术,以提高网络安全.
主要方法:
- 基于的流量过 (ETF) 用于异常识别.
- 对于未标记的数据,自主监督异常检测学习 (SSLAD).
- 图形神经网络 (GNN-MTC) 和上下文感知图形注意网络 (CA-GAT) 用于关系流量分析.
主要成果:
- 拟议的深度学习模型实现了98%的准确性.
- 超越了现有的方法,如DeepMAL (95%) 和黄等. (97.3%) 的情况.
- 在检测已知和新型恶意软件方面表现出卓越的精度和回忆力.
结论:
- 深度学习模型对于实时网络安全应用非常有效.
- 该方法在检测多样化和新兴恶意软件威胁方面表现强.
- 未来的工作包括适应性学习和混合架构,以提高强度.

