[發明專利]惡意代碼檢測方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 202110605584.5
• 申請日: 2021-05-31
• 公開（公告）號: CN113282927A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 陸園麗
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06F21/56
• 分類號: G06F21/56;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

1.一種惡意代碼檢測方法，其特征在于，包括：

獲取樣本數據，所述樣本數據包括基于應用程序的系統信息生成的圖結構數據；

對預設的圖卷積神經網絡進行參數初始化，其中，所述圖卷積神經網絡包括輸入層、隱藏層和輸出層；

將所述樣本數據輸入至所述輸入層，得到所述圖結構數據中的每個圖節點的第一特征向量；

將每個圖節點的所述第一特征向量輸入至所述隱藏層，得到所述圖結構數據中的每個圖節點的第二特征向量；

將每個圖節點的所述第二特征向量輸入至所述輸出層，得到所述圖結構數據中的每個圖節點的標簽向量；

根據每個圖節點的所述第二特征向量和所述標簽向量，調整所述圖卷積神經網絡的模型參數直至所述圖卷積神經網絡收斂，得到惡意代碼檢測模型；

獲取待檢測程序的目標系統信息，并基于所述目標系統信息，生成目標圖結構數據；

將所述目標圖結構數據輸入至所述惡意代碼檢測模型，得到所述待檢測程序的惡意代碼檢測結果。

2.如權利要求1所述的惡意代碼檢測方法，其特征在于，所述根據每個圖節點的所述第二特征向量和所述標簽向量，調整所述圖卷積神經網絡的模型參數直至所述圖卷積神經網絡收斂，得到惡意代碼檢測模型，包括：

根據所述每個圖節點的所述第二特征向量和所述標簽向量，確定圖卷積神經網絡的目標損失值；

根據所述目標損失值確定所述圖卷積神經網絡是否收斂；

若所述圖卷積神經網絡未收斂，則繼續輸入樣本數據進行圖卷積神經網絡訓練直至所述圖卷積神經網絡收斂，得到所述惡意代碼檢測模型。

3.如權利要求2所述的惡意代碼檢測方法，其特征在于，所述根據所述每個圖節點的所述第二特征向量和所述標簽向量，確定圖卷積神經網絡的目標損失值，包括：

根據所述每個圖節點的所述第二特征向量和所述標簽向量，確定第一損失值；

獲取每個圖節點標簽的權重參數，并根據所述每個圖節點標簽的權重參數，確定第二損失值；

對所述第一損失值和所述第二損失值進行加法運算，得到所述目標損失值。

4.如權利要求3所述的惡意代碼檢測方法，其特征在于，所述根據所述每個圖節點的所述第二特征向量和所述標簽向量，確定第一損失值，包括：

對每個圖節點的第二特征向量和對應的標簽向量進行乘法運算，得到每個圖節點的第三損失值；

將每個圖節點的第三損失值進行累加，得到所述第一損失值。

5.如權利要求3所述的惡意代碼檢測方法，其特征在于，所述根據所述每個圖節點標簽的權重參數，確定第二損失值，包括：

確定所述每個圖節點標簽的權重參數的范數，得到多個第四損失值；

對多個所述第四損失值進行累加，得到所述第二損失值。

6.如權利要求2所述的惡意代碼檢測方法，其特征在于，所述根據所述目標損失值確定所述圖卷積神經網絡是否收斂，包括：

確定所述目標損失值是否小于預設閾值；

若確定所述目標損失值小于預設閾值，則確定所述圖卷積神經網絡已收斂；

若確定所述目標損失值大于或等于預設閾值，則確定所述圖卷積神經網絡未收斂。

7.如權利要求1-6任一項所述的惡意代碼檢測方法，其特征在于，所述基于所述目標系統信息，生成目標圖結構數據，包括：

根據所述目標系統信息，確定進程信息、文件信息和訪問關系；

基于所述訪問關系，對所述進程信息和文件信息進行圖結構構建，生成所述目標圖結構數據。