赵晨洁 左羽 崔忠伟 李亮亮 吴恋 王永金 韦萍萍

摘  要：针对当前的病毒软件检测方法难以应对大数据时代下病毒软件快速分类问题，提出一种病毒可视化检测的分类方法。详细阐述了病毒软件可视化过程，并提出一种卷积神经网络结合注意力机制的模型（即CNN_CBAM模型）进行病毒软件家族分类的深度学习方法。病毒软件样本采用BIG2015和Malimg数据集，将其进行可视化，并将CNN_CBAM模型在可视化后的数据集上进行训练。实验结果显示，CNN_CBAM模型能够有效地对病毒软件家族进行分类，且效果优于其他深度学习模型，其准确率比CNN_SVM病毒分析的方法提升16.77%。

关键词：病毒软件;深度学习;灰度图;可视化;注意力机制

中图分类号：TP391.41     文献标识码：A

Abstract： Current virus software detection methods have difficulty in grappling with the rapid classification of virus software in big data era. In view of this issue， this paper proposes a classification method for virus visual detection， which elaborates on the visualization process of virus software. It proposes a deep learning method of convolutional neural network combined with attention mechanism model （ie CNN_CBAM model， Convolutional Neural Network_Convolutional Block Attention Module） to classify virus software families. Virus software samples use the BIG2015 and Malimg datasets， which are visualized in this paper. The proposed CNN_CBAM model is trained on the visualized dataset. The experimental results show that the CNN_CBAM model proposed in this paper can effectively classify the virus software families， and it is better than other deep learning models. Its accuracy rate is 16.77% higher than that of CNN_SVM virus analysis method.

Keywords： virus software; deep learning; grayscale image; visualization; attention mechanism

1   引言（Introduction）

病毒軟件是一种破坏计算机系统的软件产品，又称恶意软件[1]。2020年7月McAfee Labs发布的威胁报告[2]显示，在2019年第一季度，病毒软件已经突破9 亿;而在病毒二进制可执行文件方面，从2017年至2019年间，单季度最高新增量高于110 万。计算机病毒的数量一直趋于增长状态，造成的损失也在一直增加。

随着网络的大量智能化软件兴起，病毒软件开发者为了防止被检测系统发现，不断修改现有的病毒软件，使得病毒的特征难以确定。常用的病毒软件检测方法是将检测修改后的病毒软件的特征进行存储，再通过匹配来检测新的病毒软件，但由于存储病毒的特征价格昂贵并且低效，因此研究如何不使用存储特征识别病毒软件是很有必要的。

2  病毒软件检测算法（Virus software detection algorithm）