基于深度学习模型压缩的漏洞检测方法、系统及移动设备技术方案

本发明专利技术公开了一种基于深度学习模型压缩的漏洞检测方法、系统及移动设备，将包含漏洞的二进制文件映射为灰度图像，利用卷积神经网络提取灰度图像纹理特征，通过训练得到预训练模型，然后利用模型压缩的优势，基于麻雀搜索算法找到模型的最佳结构，实现自动化搜索模型结构的压缩方法，从而提高检测模型的准确率和效率，并且能够减少检测模型的空间占用。

【技术实现步骤摘要】
基于深度学习模型压缩的漏洞检测方法、系统及移动设备
本专利技术涉及软件安全检测领域，特别是一种基于深度学习模型压缩的漏洞检测方法、系统及移动设备。
技术介绍
随着全球信息化的快速发展，计算机在人们的生活中起着极大的作用。计算机软件作为信息时代的产品形式，已经深入到人民生活、国家经济、军事建设等各个领域。在互联网技术迅猛发展的今天，软件的安全性问题成了目前最为重要的话题。目前，很多软件都存在大大小小的漏洞，不法分子就可以通过软件漏洞去进行网络攻击，造成了用户信息泄露、系统崩溃、人民财产安全等问题，严重威胁了我国网络空间的安全建设，乃至威胁到整个社会、国家的安全与稳定。在软件的完整生命周期中，想要完全避免漏洞缺陷是不可能的，但如何能及时检测出来，避免损失是非常有意义的。因此，对软件漏洞进行快速检测是一项重要的研究内容。近年来，软件漏洞被攻击利用的事件频发，造成了不可预估的损失，为了能够及时发现漏洞，有效预防，很多团队都在深入研究漏洞检测技术，提供漏洞检测工具及服务。其中，经典的方法是静态漏洞挖掘和动态漏洞挖掘技术。静态漏洞挖掘技术是指不执行本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型压缩的漏洞检测方法，其特征在于，包括以下步骤：/nS1、对数据进行预处理，生成训练数据集和测试数据集；所述数据为灰度图像数据；/nS2、利用所述训练数据集训练卷积神经网络，得到预训练模型；/nS3、利用麻雀搜索算法压缩所述预训练模型，得到最终的检测模型。/n

【技术特征摘要】
1.一种基于深度学习模型压缩的漏洞检测方法，其特征在于，包括以下步骤：
S1、对数据进行预处理，生成训练数据集和测试数据集；所述数据为灰度图像数据；
S2、利用所述训练数据集训练卷积神经网络，得到预训练模型；
S3、利用麻雀搜索算法压缩所述预训练模型，得到最终的检测模型。


2.根据权利要求1所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤S1的实现过程包括：
1)将采集到的包含漏洞的二进制文件转化为灰度图像；根据采集到的包含漏洞的二进制文件的漏洞类型、存储路径，生成标签文件；
2)基于所述标签文件和灰度图像，生成hdf5文件，得到训练数据集和测试数据集。


3.根据权利要求2所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤1)的具体实现过程包括：将一个包含漏洞的二进制文件按位读取为一维数组，其中每Mbit的数据作为该数组其中一个元素，所述数据的取值范围为0-255，固定行宽为256，将上述一维数组按照行宽生成一个二维数组，利用cv2库将该二维数据映射为灰度图像。


4.根据权利要求2所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤2)的具体实现过程包括：所述标签文件包括训练标签文件和测试标签文件；所述标签文件的内容以键值对(key,value)的形式存在；对于训练标签文件，key表示包含漏洞的二进制文件映射为灰度图像后的存储路径，value为包含漏洞的二进制文件的漏洞类型编号；对于测试标签文件，key为包含漏洞的二进制文件对应的漏洞类型编号，value为该漏洞类型标号的解释说明。


5.根据权利要求1所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，所述卷积神经网络为VGG16网络模型；所述VGG16网络模型包括N个级联的卷积层，最后一个卷积层与至少一个全连接层连接；所述VGG16网络模型的输入层通道数为1，最后一层输出的分类数量与漏洞类型总数匹配。


6.根据权利要求1所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤S3的具体实现过程包括：
A)将所述预训练模型的结构表示为X＝{x1,x2,…,xL}，xL表示第L层的通道数；对于预训练模型各层的通道数，按照{0.1xi,0.2xi,…,αxi}进行缩小，将预训练模型初始化为n个剪枝结构表示为以下形式：



x′nL为第n个剪枝结构的第L层的通道数目；第j个剪枝结构X′j的第i层的通道数目表示为x′ji＝{0.1xi,0.2xi,…,αxi}；α＝{10％，20％，…，100％}；i＝1，2，……，L；
B)利用下式计算剪枝结构的适应度：其中，为第j个剪枝结构的适应度，Tt...

【专利技术属性】
技术研发人员：胡玉鹏，冯小博，旷文鑫，唐斌，李丹，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43