俞远哲，王金双，邹 霞

（陆军工程大学 指挥控制工程学院，江苏 南京210001）

0 引言

PDF（Portable Document Format）文档的使用非常广泛，但随着版本的更新换代，PDF文档包含的功能也变得多种多样，其中一些鲜为人知的功能（如文件嵌入、JavaScript代码执行、动态表单等）越来越多地被不法分子利用，来实施恶意网络攻击行为[1]。APT（Advanced Persistent Threat）攻击[2]常常借助恶意PDF文档这一媒介，通过社会工程学、水坑攻击、钓鱼攻击等手段，构造巧妙伪装的恶意文档，诱骗受害者下载，从而侵入或破坏计算机系统。相比传统的可执行恶意程序攻击，恶意文档攻击具有更强的迷惑性。

近年来，基于机器学习的恶意PDF文档检测技术被广泛使用。相比于传统签名匹配检测，它能够及时发现新型恶意文档且检测模型更新方便迅速。其中基于静态检测的机器学习方法，具有高效、成本低、解释性强等特点。而深度学习相较于机器学习算法，更强调学习数据中的隐藏信息，如特征的相关性。

前期研究利用传统的机器学习模型如SVM、随机森林等，对小规模的数据分类效果较好，但是当数据维度（包括特征维度及样本维度）过大时，需要耗费大量的资源进行学习。而卷积神经网络通过卷积核来实现高维数据的处理，提取局部特征；通过池化操作，来提取一块区域内的主要特征，能降低参数数量，减少冗余，防止模型的过拟合；最后通过全连接层，将局部特征根据权值整合成完整的特征。但是实际应用中，文档特征与图像特征不同，因为文档特征提取的顺序不同，不相邻的两类特征之间也存在一定的相关性，而卷积核提取的是局部相邻特征，损失了部分全局信息，降低了文档特征的表征能力。……