一种基于滑动局部注意力机制的恶意代码检测方法技术

一种基于滑动局部注意力机制的恶意代码检测方法，包括特征抽取方法和滑动局部注意力机制检测方法，所述特征抽取方法包括以下步骤：S1.1、根据API函数的功能，将常见的API函数划分为17类，并根据索引编号，将API函数进行着色；S1.2、提取API执行系列，并根据API函数类别将一维的API执行序列构造为具有API结构信息的二维执行序列；所述滑动局部注意力机制检测方法包括以下步骤：S2.1、构建滑动局部注意力机制，通过局部注意力机制来获取API二维执行序列中的局部信息；S2.2、通过使用滑动窗口方法扫描API二维执行序列，抽取更高层的特征信息，并将更高层的特征信息传给CNN模型；S2.3、使用CNN模型再抽取局部注意力机制的权重值，最后通过Softmax函数输出最后结果。

【技术实现步骤摘要】
一种基于滑动局部注意力机制的恶意代码检测方法
本专利技术涉及代码的检测及识别方法，具体的说是指一种基于滑动局部注意力机制的恶意代码检测方法。
技术介绍
恶意代码检测和识别方法，目前主要分为传统方法和机器学习方法。传统方法主要是基于大量专家知识，借助专家知识通过人工逆向分析恶意代码，进而抽取出恶意代码特征，实现分类和识别的目的。这些经过人工抽取的特征，在识别效果上通常表现出了较高的准确率。然而，随着恶意代码数量急剧增长，人工方法通常需要消耗大量的人力，代价变得越来越昂贵。机器学习方法具有较高的泛化能力，不需要较多的人力，在恶意代码识别领域，具有广泛的应用前景。机器学习方法的应用主要包含两个方面，一是特征的抽取方法，二是检测模型的设计。要成功运用机器学习方法在恶意代码识别领域，就需要根据先验知识，设计较好的特征提取方法，同时，根据这些特征，设计针对性的检测模型，才能实现较好的效果。当前，现有的特征抽取方法，主要包含基于恶意代码API调用、恶意代码二进制、恶意代码反汇编码和恶意代码反编译码等形式。现有的检测模型，主要包含传统机器学习领域中的随本文档来自技高网...

【技术保护点】
1.一种基于滑动局部注意力机制的恶意代码检测方法，其特征在于：包括特征抽取方法和滑动局部注意力机制检测方法，/n所述特征抽取方法包括以下步骤：/nS1.1、根据API函数的功能，将常见的API函数划分为17类，并根据索引编号，将API函数进行着色；/nS1.2、提取API执行系列，并根据API函数类别将一维的API执行序列构造为具有API结构信息的二维执行序列；/n所述滑动局部注意力机制检测方法包括以下步骤：/nS2.1、构建滑动局部注意力机制，通过局部注意力机制来获取API二维执行序列中的局部信息；/nS2.2、通过使用滑动窗口方法扫描API二维执行序列，抽取更高层的特征信息，并将更高层的特...

【技术特征摘要】
1.一种基于滑动局部注意力机制的恶意代码检测方法，其特征在于：包括特征抽取方法和滑动局部注意力机制检测方法，
所述特征抽取方法包括以下步骤：
S1.1、根据API函数的功能，将常见的API函数划分为17类，并根据索引编号，将API函数进行着色；
S1.2、提取API执行系列，并根据API函数类别将一维的API执行序列构造为具有API结构信息的二维执行序列；
所述滑动局部注意力机制检测方法包括以下步骤：
S2.1、构建滑动局部注意力机制，通过局部注意力机制来获取API二维执行序列中的局部信息；
S2.2、通过使用滑动窗口方法扫描API二维执行序列，抽取更高层的特征信息，并将更高层的特征信息传给CNN模型；
S2.3、使用CNN模型再抽取局部注意力机制的权重值，最后通过Softmax函数输出最后结果。


2.如权利要求1所述的一种基于滑动局部注意力机制的恶意代码检测方法，其特征在于：所述步骤S1.2包括以下步骤：
S1.21、构建API的集合和API函数的类别集合；
S1.22、将API唯一的转化作为它的索引值，每个API一维执行序列对应一个索引值；
S1.23、从API的集合中获取API所在的类别；
S1.24、从API函数的类别集合获取API类别的索引值；
S1.25、根据步骤S1.21至S1.24构造长度为n的二维输入向量，即API二维执行序列，作为模型的输入。


3.如权利要求2所述的一种基于滑动局部注意力机制的...

【专利技术属性】
技术研发人员：王翔龙，张建国，陈剑延，
申请(专利权)人：厦门熙重电子科技有限公司，
类型：发明
国别省市：福建;35