[發明專利]一種惡意文件檢測方法、系統、設備及計算機存儲介質在審
| 申請號： | 201910493011.0 | 申請日： | 2019-06-06 |
| 公開（公告）號： | CN110210226A | 公開（公告）日： | 2019-09-06 |
| 發明（設計）人： | 劉彥南;王大偉 | 申請（專利權）人： | 深信服科技股份有限公司 |
| 主分類號： | G06F21/56 | 分類號： | G06F21/56;G06N20/00 |
| 代理公司： | 深圳市深佳知識產權代理事務所(普通合伙) 44285 | 代理人： | 王仲凱 |
| 地址： | 518055 廣東省深圳市南*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 惡意文件 判別模型 變種 檢測 生成式 計算機存儲介質 生成模型 對抗 計算機可讀存儲介質 申請 獲取目標 檢測系統 目標文件 輸入目標 運行效率 自動生成 網絡 構建 引擎 | ||
1.一種惡意文件檢測方法，其特征在于，包括：
獲取目標惡意文件；
輸入所述目標惡意文件至預先構建的生成式對抗網絡的生成模型中，接收所述生成模型對所述目標惡意文件進行變種后生成的變種文件；
將惡意文件檢測引擎作為所述生成式對抗網絡的判別模型，基于所述變種文件對所述判別模型進行訓練，以基于訓練好的所述判別模型檢測目標文件是否為惡意文件。
2.根據權利要求1所述的方法，其特征在于，所述接收所述生成模型對所述目標惡意文件進行變種后生成的變種文件，包括：
接收所述生成模型通過強化學習算法對所述目標惡意文件進行變種后生成的變種文件；
其中，所述強化學習算法中的狀態S表示所述變種文件的特征向量；獎賞函數R表示所述判別模型對所述特征向量的判別結果；代理G表示基于所述狀態S及所述獎賞函數R選擇的變種動作A；環境E表示所述判別模型。
3.根據權利要求2所述的方法，其特征在于，所述接收所述生成模型通過強化學習算法對所述目標惡意文件進行變種后生成的變種文件，包括：
接收所述生成模型通過Q-learning算法對所述目標惡意文件進行變種后生成的變種文件。
4.根據權利要求2所述的方法，其特征在于，所述接收所述生成模型通過強化學習算法對所述目標惡意文件進行變種后生成的變種文件，包括：
接收所述生成模型通過Policy Gradient算法對所述目標惡意文件進行變種后生成的變種文件。
5.根據權利要求2所述的方法，其特征在于，所述目標惡意文件的類型包括可執行文件、文檔型文件。
6.根據權利要求5所述的方法，其特征在于，當所述目標惡意文件的類型為所述可執行文件時，所述變種動作A的類型包括向導入導出表中添加函數、創建節、修改節、刪除節、在程序入口點前添加預設次數跳轉、修改破壞簽名證書信息、修改Debug信息、打包文件、解包文件、修改文件頭校驗碼、文件加殼。
7.根據權利要求1至6任一項所述的方法，其特征在于，所述基于所述變種文件對所述判別模型進行訓練，包括：
將所述變種文件輸入至所述判別模型，接收所述判別模型對所述變種文件的檢測結果；
判斷所述變種文件的檢測結果是否滿足預設要求，若否，則執行基于所述變種文件對所述判別模型進行訓練的步驟。
8.一種惡意文件檢測系統，其特征在于，包括：
第一獲取模塊，用于獲取目標惡意文件；
第一輸入模塊，用于輸入所述目標惡意文件至預先構建的生成式對抗網絡的生成模型中，接收所述生成模型對所述目標惡意文件進行變種后生成的變種文件；
第一訓練模塊，用于將惡意文件檢測引擎作為所述生成式對抗網絡的判別模型，基于所述變種文件對所述判別模型進行訓練，以基于訓練好的所述判別模型檢測目標文件是否為惡意文件。
9.一種惡意文件檢測設備，其特征在于，包括：
存儲器，用于存儲計算機程序；
處理器，用于執行所述計算機程序時實現如權利要求1至7任一項所述惡意文件檢測方法的步驟。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述惡意文件檢測方法的步驟。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于深信服科技股份有限公司，未經深信服科技股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910493011.0/1.html，轉載請聲明來源鉆瓜專利網。
