使用快速梯度符号法与稀释卷积神经网络的恶意软件分类
密码学与安全
2026-01-16 v1 人工智能
计算工程、金融与科学
机器学习
摘要
安卓恶意软件已成为对组织、社会和个人日益严峻的威胁，对隐私、数据安全和基础设施构成重大风险。随着恶意软件在复杂性和精密性方面不断演变，这些恶意软件实例的缓解与检测变得更加耗时且具有挑战性，特别是由于需要大量特征来识别潜在的恶意软件。为应对这些挑战，本研究提出了用于恶意软件分类的快速梯度符号法与稀释卷积神经网络(FGSM DICNN)方法。DICNN包含稀释卷积，这增加了感受野，使模型能够使用更少的特征捕获分散的恶意软件模式，而无需增加参数。此外，FGSM策略通过在训练期间使用一步扰动来提高准确性，这提供了更低计算成本的防御优势。这种集成有助于在减少对大量特征集依赖的同时，保持高分类准确率。所提出的FGSM DICNN模型达到了99.44%的准确率，优于其他现有方法，如定制深度神经网络(DCNN)。
引用
@article{arxiv.2601.09933,
title = {Malware Classification using Diluted Convolutional Neural Network with Fast Gradient Sign Method},
author = {Ashish Anand and Bhupendra Singh and Sunil Khemka and Bireswar Banerjee and Vishi Singh Bhatia and Piyush Ranjan},
journal= {arXiv preprint arXiv:2601.09933},
year = {2026}
}
备注
Accepted 2025 2nd International Conference on Software, Systems and Information Technology (SSITCON) Keywords data security, diluted convolutional neural network, fast gradient sign method, malware classification, privacy