张士董 李明东 卢彪

摘要：基于卷积神经网络CNN的恶意代码检测技术。利用Cuckoo沙箱系统来模拟运行环境并提取分析报告;首先，通过感知哈希算法对恶意代码灰度图样本进行检测，快速划分出具体恶意代码家族和不确定家族的样本，实验测试得约有67%的恶意代码能够通过感知哈希算法检测出来。然后，对于不确定家族样本再进一步提取局部特征局部二值模式（LBP）与全局特征Gist，并利用二者融合后的特征通过机器学习算法对恶意代码样本进行分类检测。最后，对25类恶意代码家族检测，实验结果表明，相较于仅用单一特征，在LBP与Gist的融合特征下，检测准确率更高，并且所提方法与仅采用机器学习的检测算相比，分类检测效率更快，检测速度提高93.5%。

关键词：感知哈希;恶意代码可视化;机器学习

随着网上支付和网上银行的全面普及，计算机已经成为人们日常生活的重要部分;同时，由于普遍缺乏有效的安全屏障，物联网设备也成为网络攻击者觊觎的目标。在特征提取阶段，提取的特征主要有静态特征和动态特征，相应的提取手段分别为静态特征提取技术和动态特征提取技术。

1.输入层词向量生成

在生成词向量的过程中，本实验选择两种模型进行比较，一种是Word2vec中的Skip-gram模型，一种是One-Hot编码。

（1）Skip-gram模型本实验选用了基于Word2vec提供的Skip-gram语言模型来建模，将文本的各特征之间的联系以词向量形式展现。在实验中，我们输入预处理过程中提取出的API序列，通过Skip-gram将其数值向量化。……