张燕子

（西安邮电大学信息中心，陕西 西安 710121）

0 引 言

基于深度学习模型进行网络空间安全特别是软件安全检测方面的研究，已成为当前的热点。XIN Y[1]等人分析了机器学习和深度学习算法在网络空间入侵检测的关键案例。SUCIU O[2]讨论了恶意软件的对抗示例性方面的问题。LI H[3]等人提出一种基于双目标对抗网络的反例攻击方法。CHEN B[4]等人提出两种白盒方法和一种黑盒方法来攻击恶意软件检测器以及利用GAN进行某种防御训练。JAVAID[5]等人通过基准数据集的改进版本来验证基于NIDS的自学学习的可用性。YUANCHENG L[6]等人提出了一种基于自动编码器和深度信念网络的混合恶意代码检测方案，具有较好的检测性能。TAO M[7]等人提出了一种结合谱聚类（SC）和深度神经网络（DNN）算法的SCDNN算法，提升了检测准确率。以上的研究方法都是通过深度学习模型改进和升级的。本文对传统恶意软件检测方法与基于深度学习的恶意软件检测方法之间的特点、区别和联系进行分析，并讨论了软件安全未来可能面临的主要挑战。

1 研究背景

国家计算机网络应急技术处理协调中心发布的《计算机恶意程序传播渠道安全监测报告》显示，高危恶意程序占恶意程序总数的2/3，木马类恶意程序占45.5%。2019年，有超过6 200万的计算机恶意软件样本已经备案，其中包含计算机恶意程序家族66万多个，由此可见对恶意软件的防控不可忽视。根据Malwarebytes Labs发布的《2020 State of Malware Report》，2019年的网络威胁主要是诈骗银行木马Emotet，攻击者通过编写恶意宏代码的钓鱼软件作为载荷附着在邮件中，从而进行病毒的传播。……