[發明專利]一種基于弱耦合SGAN的惡意軟件家族分類器生成方法、裝置及可讀存儲介質

在審

• 申請號: 202010595658.7
• 申請日: 2020-06-24
• 公開（公告）號: CN111914254A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 汪姝瑋;汪秋云;姜政偉;劉建
• 申請（專利權）人: 中國科學院信息工程研究所
• 主分類號: G06F21/56
• 分類號: G06F21/56;G06K9/62;G06N3/04
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 邱曉鋒

1.一種基于弱耦合SGAN的惡意軟件家族分類器生成方法，其特征在于，包括以下步驟：

利用改進的惡意軟件圖像縮放算法將惡意軟件轉化為圖像特征；

利用產生的圖像特征和有家族標簽的惡意軟件，采用神經網絡訓練原始的惡意軟件家族分類器；

采用弱耦合的半監督生成對抗網絡模型，利用無家族標簽的惡意軟件，對惡意軟件家族分類器、半監督生成對抗網絡中的研判器和生成器進行訓練，得到最終的惡意軟件家族分類器。

2.根據權利要求1所述的方法，其特征在于，所述改進的惡意軟件圖像縮放算法包括：基于局部均值算法，將采樣點的范圍從最近的若干個點提升至整個滑動窗口內的點，再通過調整滑動窗口大小和滑動方式，擴展采樣窗口的大小，使其適合惡意樣本圖像。

3.根據權利要求1所述的方法，其特征在于，所述的利用產生的圖像特征和有家族標簽的惡意軟件，采用神經網絡訓練原始的惡意軟件家族分類器，包括：

將圖像特征和家族標簽作為訓練集和測試集，輸入基于VGG模型的1D-CNN神經網絡結構進行訓練；

根據訓練結果生成初始的特征訓練模型F(x)和原始的惡意軟件家族分類器C。

4.根據權利要求3所述的方法，其特征在于，所述的采用弱耦合的半監督生成對抗網絡模型，利用無家族標簽的惡意軟件，對惡意軟件家族分類器、半監督生成對抗網絡中的研判器和生成器進行訓練，包括：

根據初始的特征訓練模型F(x)和原始的惡意軟件家族分類器C對生成器G和研判器D進行初始化；

將圖像特征作為真實樣本集輸入，將生成器G生成的惡意軟件特征向量作為虛假樣本集輸入，對研判器D和特征訓練模型F(x)進行訓練；

根據最新的特征訓練模型F(x)以及研判器(D)對所有樣本的判斷結果，對生成器G進行訓練；

對F(x)、D、G進行反復訓練，直到其驗證結果達到規定閾值；

根據F(x)，使用圖像特征和家族標簽作為訓練集和測試集輸入，對惡意軟件分類器C進行訓練，得到最終的惡意軟件家族分類器。

5.根據權利要求4所述的方法，其特征在于，所述研判器D的神經網絡結構包含兩部分，其中之一是與分類器C強耦合的網絡結構，另一是與分類器C弱耦合的網絡結構；采用以下公式對研判器D和特征訓練模型F(x)進行訓練：

L_unsupervised＝-[E_x～real ln P_D(F(x))+E_z～N(0，1) ln(1-P_D[F(G(z))])]

L＝L_supervised+L_unsupervised

其中，L表示所有樣本的分類結果的期望，L_unsupervised表示無分類標簽樣本的分類結果的期望，L_supervised表示有分類標簽樣本的分類結果的期望，E_x～real表示真實樣本經過共享特征提取器和研判器D的判定結果概率分布的期望，E_z～N(0,1)表示生成的惡意軟件特征向量判定結果的期望；P_D表示使用研判器D的條件下，經過共享特征提取模塊神經網絡層后，研判器D對于生成的惡意軟件特征向量判定結果的概率分布；G(z)代表生成器G生成的惡意軟件特征向量，z表示用于生成惡意軟件特征向量所需要的參數。

6.根據權利要求5所述的方法，其特征在于，采用以下公式對生成器G進行訓練：