隨著互聯(lián)網(wǎng)信息技術(shù)的快速發(fā)展,大數(shù)據(jù)分析和人工智能技術(shù)正驅(qū)使著我們的生活變得更加便捷。然而,惡意代碼威脅的行為卻在逐步上升,據(jù)統(tǒng)計2017年安卓惡意代碼相比2016年增加了17.6%,而這個數(shù)據(jù)還會持續(xù)增長,所以惡意代碼的檢測愈演愈烈�；趯故缴删W(wǎng)絡(luò)（Generative Adversarial Network,GAN）的惡意代碼檢測思想,是獲得滿足真實惡意代碼數(shù)據(jù)特征且能欺騙判別器判別的“真實”樣本分布,以達(dá)到抵御惡意代碼攻擊,提升惡意代碼檢測效率的目的。首先,提出了一種新的安卓惡意代碼APK到圖像紋理特征提取的切割方式,稱作“圖譜化段自增長的紋理分割算法”。其次,基于Low-tubal rank的張量奇異值（Tensor Singular Value Decomposition,t-SVD）分解方式,實現(xiàn)不同尺寸大小的圖像統(tǒng)一成固定的三階張量的形式,輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型的訓(xùn)練和學(xué)習(xí)。最后,提出了一種靈活的惡意代碼檢測框架（Flexible Malicious App Detection Model based on Generative Adversarial Networ... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2張量為多維數(shù)據(jù)陣列，其中矢量是一階張量，矩陣表示成二階張量

公式（ U 和 V 滿足： ， ，其中 是單位張量 生成式對抗網(wǎng)絡(luò)網(wǎng)絡(luò)模型生成式對抗網(wǎng)絡(luò)（GAN，GenerativeAdversarial Networks）是 Ian J.Goodfel在 2014 年提出來的一個通過對抗學(xué)習(xí)生成模型的深度學(xué)習(xí)框架，是近年來習(xí)的代表。GAN 的思想主要源自于博弈論的極大極小的過程，主要由一個Generative Model）和判別器（Discriminative Model）構(gòu)成，通過對抗學(xué)習(xí)行訓(xùn)練。生成器的作用是生成更加逼真的數(shù)據(jù)分布，判別器的作用是盡最測出哪些是原始數(shù)據(jù)，哪些是新生成的數(shù)據(jù)，這樣就構(gòu)成了一個動態(tài)的“博。在最理想的情況下，生成器生成的樣本足以“以假亂真”，對于判別器來說生成器生成是樣本究竟是不是真的，即 D(G(z)) = 0.5，其中 z 是輸入到生成足的數(shù)據(jù)分布。Gooddellow 等人在論文中使用圖 2.3 的演變過程介紹了 GA練的基本過程

圖 3.1 基于對抗式生成網(wǎng)絡(luò)的惡意代碼的檢測模型整個模型框架分為三大部分：生成式對抗網(wǎng)絡(luò)的判別器（DiscriminativeNetwork）、生成器（Generator Network）以及黑盒檢測器（BlackBone），損失函數(shù)主要使用了基于分類的交叉熵函數(shù)和基于 GAN 網(wǎng)絡(luò)生成新的圖像紋理的感知力損失函數(shù)。生成器網(wǎng)絡(luò)輸入和原始圖像大小相同的近似的數(shù)據(jù)分布，生成的新數(shù)據(jù)（惡意代碼）也是 64×64×1 的，判別器網(wǎng)絡(luò)輸入的 reshape 是生成器輸出的大小，網(wǎng)絡(luò)輸出的是惡意代碼或者正常代碼的概率值，整個模型是在一個輔助分類器 GAN 模型的基礎(chǔ)上的一個訓(xùn)練，模型的損失函數(shù)主要有三部分，第一是生成器網(wǎng)絡(luò)生成的近似的數(shù)據(jù)和真實的原始數(shù)據(jù)的特征誤差程度，叫感知損失；第二是判別器網(wǎng)絡(luò)得到的分類值和原始標(biāo)簽的交叉熵函數(shù)；第三是黑盒檢測得到結(jié)果和原始標(biāo)簽的對比。3.2 B2M 算法B2M 算法是將二進(jìn)制文件轉(zhuǎn)換成灰度圖像的一種方法。針對惡意代碼的可執(zhí)行

【參考文獻(xiàn)】：
期刊論文
[1]基于生成對抗網(wǎng)絡(luò)的低秩圖像生成方法[J]. 趙樹陽,李建武.  自動化學(xué)報. 2018(05)
[2]生成式對抗網(wǎng)絡(luò)研究進(jìn)展[J]. 王萬良,李卓蓉.  通信學(xué)報. 2018(02)
[3]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報. 2017(03)
[4]基于小波變換和ODPSF的紋理圖象分割方法[J]. 靳華,王曉丹,趙榮椿.  中國圖象圖形學(xué)報. 2000(10)

碩士論文
[1]模糊車牌圖像的盲去模糊算法研究[D]. 毛勇.杭州電子科技大學(xué) 2018
[2]基于機器學(xué)習(xí)的安卓惡意應(yīng)用檢測方法研究[D]. 田明會.北京交通大學(xué) 2017



本文編號：3345715