恶意软件分类中的计算机视觉技术分析
（文章来源：网络整理）
恶意软件是指被设计成对其所在系统造成损害的任何软件。主要类型是蠕虫，木马和广告软件。如今，每年大约有35万个样本被生产出来，这对反病毒公司来说变得越来越困难，因为只有50%的新恶意软件被报告，而从这50％中，只有20％会被现有的反病毒软件检测到。用于对恶意软件进行分类的一些传统方法是
沙箱检测：此处可在虚拟环境中运行任何可疑软件，在该环境中可以监视其行为，并且根据其行为，将确定该软件是否为恶意软件。但是这种方法可以被恶意软件绕过，因为恶意软件太大了以至于无法在虚拟环境中处理，恶意软件文件还可以以一种模糊的、无法识别的文件格式保存，等等。沙箱检测属于基于行为的恶意软件检测。基于签名的检测：反病毒公司为恶意软件创建一个签名，并在其数据库中更新它。因此，杀毒软件将扫描软件的签名与杀毒公司数据库中的签名进行比较。正如上面所讨论的，每天大约有350000个恶意软件被创建，对于反病毒公司来说，为每个恶意软件创建签名是极其困难的。如今，反病毒公司正在使用深度学习技术来对付恶意软件。在这里，我们将探讨基于卷积神经网络的分类。
在论文《 malware images: visualization and automatic classification》中首次看到了分类为灰度图像的特定类别恶意软件图像的相似性。在论文中，他们展示了特洛伊木马病毒的外观。
text部分包含要执行的代码，.text部分的末尾为全黑，表示末尾的填充为零。.data部分包含未初始化的代码，.rsrc部分包含模块的所有资源，例如应用程序可以使用的图标。
上面的图片来自《malware classification using image representation》论文，其中他们显示了不同家族的恶意软件图片，对于一个家族，我们可以在图片中看到相似之处。
同样在论文《convolution neural networks for malware classification》中，他们还展示了常见的恶意软件家族的图片，例如rammit，gatak（木马版本）等。
因此，在《malware images: visualization and automatic classification》一文中，他们使用gist来计算纹理特征，并使用具有欧氏距离的k近邻对其进行分类。所以gist基本上就是利用gabor滤波器对图像进行小波分解。gabor滤波器是一种线性滤波器，它主要分析图像在特定方向上的频率内容。主要用于边缘检测、纹理分析和特征提取。他们使用了来自25个家族的9,458个恶意软件，准确率高达98%
在《convolution neural networks for malware classification>论文中，他们训练了三个模型。
cnn 1c 1d由nxn像素（n = 32）的输入层，卷积层（大小为11x11的64个filter maps），最大池化层，densely-connected层（4096个神经元），9个神经元的输出层组成。结果的准确度为0.9857，交叉熵为0.0968cnn 1c 2d由nxn像素（n = 32）的输入层，卷积层（大小为3x3的64个filter maps），最大池化层，卷积层（大小为3x3的128个filter maps），最大池化层，densely-connected层（512个神经元），输出层为9个神经元。结果是准确性：0.9976，交叉熵：0.0231cnn 3c 2d由nxn像素（n = 32）的输入层，卷积层（大小为3x3的64个filter maps），最大池化层，卷积层（大小为3x3的128个filter maps），最大池化层，卷积层组成（大小为3x3的256个filter maps），最大池化层，densely-connected层（1024个神经元），densely-connected层（512个神经元），输出层为9个神经元。结果是准确性：0.9938，交叉熵：0.0257在论文《malware classification using image representation》中，他们使用了2个模型，一个具有4层（2个卷积层和2个dense层）的cnn模型和一个resnet18。普通的cnn的准确度为95.24％，resnet的准确度为98.206％。
如您所见，这些论文发表的结果大约检测到95-98％的恶意软件，这表明计算机视觉技术比传统方法更好。与传统方法相比，深度学习能够实现非常好的准确性，并且占用的硬件更少。
什么是循环依赖？
量子计算机来了，如何才能阻挡量子计算机的攻击
苹果的十年，iPhone8将有这几点改变
面对“没有武德”的特斯拉 其它车企该怎么办
嫌泄露三星、LG的AMOLED核心技术而被起诉的职员最终被判无罪
恶意软件分类中的计算机视觉技术分析
区块链技术的发展终将回归社会
楚航科技数千万元A+轮融资主要用于智能驾驶系统
无人机咋成了航空安全大威胁？领导者大疆有话说
SK Hynix月底量产48层堆栈3D NAND闪存 三星后第二家
一加8T成首款获权威机构A+认证的直屏旗舰机
基于光纤陀螺仪实现惯性测量系统的应用方案
影驰首款移动便携式SSD移动硬盘开卖 性价比相当给力
不朽的音响神话--300B 电子管
使用VS Code调试 RT-Thread qemu-vexpress-a9 BSP工程
中国宽带网络发展成效显著
杭州国芯凭借高安高清SoC芯片Sirius荣获本年度中国芯「优秀市场表现产品」奖
禁止加密货币和发展区块链两者有什么冲突吗
山西大学：在电化学传感器的设计和肿瘤标记物检测方面取得新进展
浅析树莓派和单片机的三类区别
恶意软件是指被设计成对其所在系统造成损害的任何软件。主要类型是蠕虫，木马和广告软件。如今，每年大约有35万个样本被生产出来，这对反病毒公司来说变得越来越困难，因为只有50%的新恶意软件被报告，而从这50％中，只有20％会被现有的反病毒软件检测到。用于对恶意软件进行分类的一些传统方法是
沙箱检测：此处可在虚拟环境中运行任何可疑软件，在该环境中可以监视其行为，并且根据其行为，将确定该软件是否为恶意软件。但是这种方法可以被恶意软件绕过，因为恶意软件太大了以至于无法在虚拟环境中处理，恶意软件文件还可以以一种模糊的、无法识别的文件格式保存，等等。沙箱检测属于基于行为的恶意软件检测。基于签名的检测：反病毒公司为恶意软件创建一个签名，并在其数据库中更新它。因此，杀毒软件将扫描软件的签名与杀毒公司数据库中的签名进行比较。正如上面所讨论的，每天大约有350000个恶意软件被创建，对于反病毒公司来说，为每个恶意软件创建签名是极其困难的。如今，反病毒公司正在使用深度学习技术来对付恶意软件。在这里，我们将探讨基于卷积神经网络的分类。
在论文《 malware images: visualization and automatic classification》中首次看到了分类为灰度图像的特定类别恶意软件图像的相似性。在论文中，他们展示了特洛伊木马病毒的外观。
text部分包含要执行的代码，.text部分的末尾为全黑，表示末尾的填充为零。.data部分包含未初始化的代码，.rsrc部分包含模块的所有资源，例如应用程序可以使用的图标。
上面的图片来自《malware classification using image representation》论文，其中他们显示了不同家族的恶意软件图片，对于一个家族，我们可以在图片中看到相似之处。
同样在论文《convolution neural networks for malware classification》中，他们还展示了常见的恶意软件家族的图片，例如rammit，gatak（木马版本）等。
因此，在《malware images: visualization and automatic classification》一文中，他们使用gist来计算纹理特征，并使用具有欧氏距离的k近邻对其进行分类。所以gist基本上就是利用gabor滤波器对图像进行小波分解。gabor滤波器是一种线性滤波器，它主要分析图像在特定方向上的频率内容。主要用于边缘检测、纹理分析和特征提取。他们使用了来自25个家族的9,458个恶意软件，准确率高达98%
在《convolution neural networks for malware classification>论文中，他们训练了三个模型。
cnn 1c 1d由nxn像素（n = 32）的输入层，卷积层（大小为11x11的64个filter maps），最大池化层，densely-connected层（4096个神经元），9个神经元的输出层组成。结果的准确度为0.9857，交叉熵为0.0968cnn 1c 2d由nxn像素（n = 32）的输入层，卷积层（大小为3x3的64个filter maps），最大池化层，卷积层（大小为3x3的128个filter maps），最大池化层，densely-connected层（512个神经元），输出层为9个神经元。结果是准确性：0.9976，交叉熵：0.0231cnn 3c 2d由nxn像素（n = 32）的输入层，卷积层（大小为3x3的64个filter maps），最大池化层，卷积层（大小为3x3的128个filter maps），最大池化层，卷积层组成（大小为3x3的256个filter maps），最大池化层，densely-connected层（1024个神经元），densely-connected层（512个神经元），输出层为9个神经元。结果是准确性：0.9938，交叉熵：0.0257在论文《malware classification using image representation》中，他们使用了2个模型，一个具有4层（2个卷积层和2个dense层）的cnn模型和一个resnet18。普通的cnn的准确度为95.24％，resnet的准确度为98.206％。
如您所见，这些论文发表的结果大约检测到95-98％的恶意软件，这表明计算机视觉技术比传统方法更好。与传统方法相比，深度学习能够实现非常好的准确性，并且占用的硬件更少。
什么是循环依赖？
量子计算机来了，如何才能阻挡量子计算机的攻击
苹果的十年，iPhone8将有这几点改变
面对“没有武德”的特斯拉 其它车企该怎么办
嫌泄露三星、LG的AMOLED核心技术而被起诉的职员最终被判无罪
恶意软件分类中的计算机视觉技术分析
区块链技术的发展终将回归社会
楚航科技数千万元A+轮融资主要用于智能驾驶系统
无人机咋成了航空安全大威胁？领导者大疆有话说
SK Hynix月底量产48层堆栈3D NAND闪存 三星后第二家
一加8T成首款获权威机构A+认证的直屏旗舰机
基于光纤陀螺仪实现惯性测量系统的应用方案
影驰首款移动便携式SSD移动硬盘开卖 性价比相当给力
不朽的音响神话--300B 电子管
使用VS Code调试 RT-Thread qemu-vexpress-a9 BSP工程
中国宽带网络发展成效显著
杭州国芯凭借高安高清SoC芯片Sirius荣获本年度中国芯「优秀市场表现产品」奖
禁止加密货币和发展区块链两者有什么冲突吗
山西大学：在电化学传感器的设计和肿瘤标记物检测方面取得新进展
浅析树莓派和单片机的三类区别