[發明專利]基于A_Kohonen神經網絡的惡意代碼分類方法

有效

• 申請號: 201210100282.3
• 申請日: 2012-04-09
• 公開（公告）號: CN102651088A
• 公開（公告）日: 2012-08-29
• 發明（設計）人: 徐小龍;熊婧夷;楊庚;孫燕飛;陳丹偉;曹嘉倫;張義龍;鄒勤文;曹玲玲;周靜嵐
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06F21/00
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

1.基于A_Kohonen神經網絡的惡意代碼分類方法，其特征在于，包括以下步驟：

步驟1、提取各已知惡意代碼樣本的特征向量和其所屬類別，構成訓練集；

步驟2、利用所述訓練集對A_Kohonen神經網絡進行訓練；所述A_Kohonen神經網絡為三層結構，第一層為輸入層，該層的神經元個數與樣本特征向量位數一致，是單層單維度的神經元；第二層為競爭層，該層的節點呈二維陣列分布，各神經元以匹配程度為依據進行競爭，確定匹配程度大的神經元獲勝；第三層為輸出層，該層結點個數同數據類別數目相同，每個節點代表一類數據；其中輸入層節點和競爭層節點以可變權值連接，輸出節點和競爭節點通過權值全連接；所述訓練具體按照以下步驟：

步驟21、網絡初始化：包括網絡連接權值、學習效率、鄰域范圍的初始化；

步驟22、計算輸入向量與競爭層各神經元之間的歐氏距離，選擇與輸入向量的歐氏距離最短的競爭層神經元作為獲勝神經元；

步驟23、根據下式調整獲勝神經元及其鄰域范圍內其它神經元的連接權值：

式中，表示第i個輸入層神經元與第j個競爭層神經元之間的連接權值；表示第j個競爭層神經元與第k個輸出層神經元之間的連接權值；為一次學習效率；為二次學習效率；為輸入樣本特征向量；?為樣本所屬類別；

步驟24、判斷訓練是否結束，如未結束，則分別調整一次學習效率、二次學習效率、鄰域半徑，具體如下：

??，

??，

??，

其中，i為當前迭代次數，maxgen代表預先設定的總迭代次數，和分別為預先設定的一次學習效率的最大取值和最小取值，和分別為預先設定的二次學習效率的最大取值和最小取值，和分別為預先設定的鄰域半徑的最大取值和最小取值；

然后轉至步驟22；

步驟3、利用完成訓練的A_Kohonen神經網絡對未知代碼進行分類，具體按照以下方法：提取未知惡意代碼樣本的特征向量并將其輸入A_Kohonen神經網絡；計算輸入向量與競爭層各神經元之間的歐氏距離，選擇與輸入向量的歐氏距離最短的競爭層神經元作為獲勝神經元；與獲勝神經元連接權值最大的輸出層節點所代表類別即為該未知惡意代碼類別。

2.如權利要求1所述基于A_Kohonen神經網絡的惡意代碼分類方法，其特征在于，所述鄰域范圍按照下式確定：

???t=1，2，…，n?

式中，表示神經元c的鄰域內的神經元集合，，為神經元c和神經元t的位置；表示計算兩神經元之間的歐幾里德距離；為鄰域半徑；n為競爭層中神經元總個數。

3.如權利要求1所述基于A_Kohonen神經網絡的惡意代碼分類方法，其特征在于，所述連接權值、的初始值為區間內的隨機值或區間內的定值。

4.如權利要求1所述基于A_Kohonen神經網絡的惡意代碼分類方法，其特征在于，所述一次學習效率、二次學習效率的初始值的取值范圍為。

5.如權利要求1—4任一項所述基于A_Kohonen神經網絡的惡意代碼分類方法，其特征在于，在步驟3之后還包括：

步驟4、重復執行步驟3多次，選擇多次執行結果中概率最大的結果作為該未知惡意代碼最終的類別。