CN119538250A 基于元学习的恶意代码基因信息隐性关联挖掘方法 (南京邮电大学)_第1页
CN119538250A 基于元学习的恶意代码基因信息隐性关联挖掘方法 (南京邮电大学)_第2页
CN119538250A 基于元学习的恶意代码基因信息隐性关联挖掘方法 (南京邮电大学)_第3页
CN119538250A 基于元学习的恶意代码基因信息隐性关联挖掘方法 (南京邮电大学)_第4页
CN119538250A 基于元学习的恶意代码基因信息隐性关联挖掘方法 (南京邮电大学)_第5页
已阅读5页,还剩26页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

号基于元学习的恶意代码基因信息隐性关联本发明提供一种基于元学习的恶意代码基的属性函数调用图通过训练后的基于序列到序列机制的特征提取模型得到函数调用图的关键生成的属性控制流图使用优化后的基于图结构由函数调用图的关键子图和控制流图的关键子够实现恶意代码基因信息的隐性关联的精准挖2S2、构建基于序列到序列机制的基因特征提取S1生成的属性函数调用图通过训练后的基于序列到序列机制的特征提取模型得到函数调S3、通过反汇编工具解析恶意代码的二进制文件得S4、构建基于图结构的基因特征提取模型,利用用优化后的基于图结构的基因特征提取模型得到控制流S5、由步骤S3得到的函数调用图的关键子图和2.如权利要求1所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在整流函数层即第一LeakyRELU层、第一全连接层、第二泄露线性整流函数层即第二第一LeakyRELU层:由输入的注意力权重计算得到N个节点节点嵌入集合维度一致的N个节点的当前属性节点第二LeakyRELU层:对输入含有邻居特征的节点嵌入集合和当前属性节点特征嵌入集关键子图构建模块:对有注意力权重的节点进行重要性排序,生成重3.如权利要求2所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在3拼接层:将时间步t时的查询向量和聚合的全图信息r:进行拼接Concat得到时间4.如权利要求1所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在5.如权利要求1_4任一项所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,图注意力网络模型分类器:对输入的属性控制流图CFG由节点嵌入生成组件生成节点初始学习模块:由节点评分组件对节点嵌入计算节点得分,将解释模块;根据节点得分以及属性控制流图的真实节点数量多次逐步6.如权利要求5所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在4邻接矩阵的子图集合subgraphs为步骤S3得到的属性控制流图,并将属性控制流图的所有;S43、依据初始学习模块得到的节点得分,将评分最序节点集合Vordered,将评分最低的Nstep个节点对应索引从变量all_node_indices中移7.如权利要求1_4任一项所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,步骤S3得到的属性控制流图作为输入数据D,将步骤S2得到的函数调用图的关键子图和步8.如权利要求7所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在9.如权利要求7所述的基于元学习的恶意代码基因信息隐性关联挖掘方法,其特征在模型Model的模型参数;通过反向传播不断更新大语言模型的模型参数θ,直至达到设定的5[0006]本发明的目的是提供一种基于元学习的恶意代码基因信息隐性关联挖掘方法解决现有技术中存在的对恶意代码基因信息的隐性关联的识别准确性和效率有待提高的问生成的函数调用图进行特征提取和预处理得到步骤S1生成的属性函数调用图通过训练后的基于序列到序列机制的特征提取模型得到函6S5、由步骤S3得到的函数调用图的关键子图和步骤S4得到的控制流图的关键子[0008]进一步地,步骤S2中,基于序列到序列机制的特征提取模型包括图注意力网络第二LeakyRELU层:对输入含有邻居特征的节点嵌入集合和当前属性节点特征嵌入集合分别对应拼接得到N个节点的最终节点softmax层:由输入的最终节点特征集合中的最终节点特征ui和时间步t=0,1,拼接层:将时间步t时的查询向量和聚合的全图信息r:进行拼接Concat得到长短期记忆网络LSTM:由输入的时间步t生成的特征向量a:得到时间步t+1时的7务特定参数6:6=0-uvDa为支持集的图注意力网络模型分类器:对输入的属性控制流图CFG由节点嵌入生成组件生成子图邻接矩阵的子图集合subgraphs为步骤S3得到的属性控制流图,并将属性控制流图的;到有序节点集合Vordered,将评分最低的Nstep个节点对应索引从变量all_node_indices重要的节点,最后一个节点是最不重要的节点;同时反转子图集合subgraphs中子图的顺8图和步骤S3得到的属性控制流图作为输入数据D,将步骤S2得到的函数调用图的关键子图中P是预定义的模式,由输入数据D通过设计提示词模板映射生成N个提示词{t1,t2,...,[0019]图1是本发明实施例基于元学习的恶意代码基因信息隐性关联挖掘方法的流程示图2是本发明实施例基于元学习的恶意代码基因信息隐性关联挖掘方法的说明示9[0021]实施例提供一种基于元学习的恶意代码基因信息隐性关联挖掘方法,如图1和图生成的函数调用图进行特征提取和预处理得到的插件或脚本来生成函数调用图FCG。采用Word2Vec模型将函数调用图的汇编指令转化为步骤S1生成的属性函数调用图通过训练后的基于序列到序列机制的特征提取模型得到函线性整流函数层即第一LeakyRELU层、第一全连接层、第二泄露线性整流函数层即第二到与节点嵌入集合f,ve…w维度一致的N个节点的当前属性节点特征嵌入集合;第二LeakyRELU层:对输入N个节点的含有邻居特征的节点嵌入集合f,和N个节点的当前属性节点特征嵌入集合(w,w2,…wn分别对应拼接得到N个节点的最f,[0025]softmax层:由输入的最终节点特征集合中的最终节点特征ui和时间步t=0,1,拼接层:将时间步t时的查询向量和聚合的全图信息r:进行拼接Concat得到长短期记忆网络LSTM:由输入的时间步t生成的特征向量a:得到时间步t+1时的[0027]第二全连接层得到的分类结果能够帮助验证解释得到的控制流图的关键子图效[0028]步骤S2中,第二LeakyRELU层将每个节点的邻居特征再加入当前属性节点特征得最终节点特征得到最终节点特征集合f,言模型如BERT可以生成每个节点的语义嵌入得到图使用优化后的基于图结构的基因特征提取模型得到控制流图图注意力网络模型分类器:对输入的属性控制流图CFG由节点嵌入生成组件生成图邻接矩阵的子图集合subgraphs为步骤S3得到的属性控制流图,并将属性控制流图的所S42、根据设定步长stepsize,计算每次迭代需要修剪的节点数Nstep:;到有序节点集合Vordered,将评分最低的Nstep个节点对应索引从变量all_node_indices重要的节点,最后一个节点是最不重要的节点;同时反转子图集合subgraphs中子图的顺[0037]S5、由步骤S3得到的函数调用图的关键子图和步骤S4得到的控制流图的关键子图和步骤S3得到的属性控制流图作为输入数据D,将步骤S2得到的函数调用图的关键子图t[0044]该种基于元学习的恶意代码基因信息隐性关联挖掘方法,使用图注意力网络GAT[0045]该种基于元学习的恶意代码基因信息隐性关联挖掘方法,通过图注意力网络GAT的多层次分析,将属性函数调用图和属性控制流图提取的特征整合成恶意代码的基因信自动生成技术和基于元学习的微调方法,能够深入精准挖掘恶意代码之间的隐性关联特数调用图和控制流图的联合分析中

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论