[发明专利]卷积神经网络、金字塔条状池化方法及恶意软件分类方法

说明书

本发明公开了一种卷积神经网络、金字塔条状池化方法及恶意软件分类方法。池化方法包括：数据尺寸的计算步骤、条状池化核心大小的计算步骤、数据填充的步骤、对填充的数据进行条状池化的步骤和池化结果连接的步骤。卷积神经网络中，池化层利用前述池化方法对数据进行池化处理。本发明的恶意软件分类方法为利用采用前述池化方法的卷积神经网络对恶意软件灰度图进行分类。本发明的池化方法、卷积神经网络以及分类方法，可以提升对如恶意软件灰度图等尺寸不规则图像的分类识别准确率，对于图像压缩较传统神经网络更少，处理效率更高。

技术领域

本发明涉及机器学习领域，尤其是一种卷积神经网络训练模型、卷积神经网络金字塔条状池化方法，以及利用金字塔条状池化卷积神经网络对恶意软件进行分类的方法。

背景技术

随着网络大数据技术的不断革新，对于行为的分析已出现了多种分析模型，其中，最常见的当属利用人工智能对大数据进行行为特征提取和分析。而对于人工智能而言，是基于神经网络对大数据进行机器学习而形成。其中常见的神经网络模型之一便是卷积神经网络。常规的卷积神经网络无法直接处理尺寸大小不规则的图像(如恶意软件灰度图片)，导致对于不规则图像学习的效果不尽人意。

另外，互联网技术的飞速发展在带给人们生活便利的同时，恶意文件及其造成的破坏却不容乐观，其规模呈现指数级增长，成为威胁网络安全的重要因素之一。伴随着恶意软件的大肆出现，包括计算机病毒、特洛伊木马等在内的代表性恶意软件会严重影响计算机运行效率、窃取用户信息，严重时甚至会造成用户和单位的财产损失。近年来，一些黑客致力于窃取机密信息而不断编写和更新病毒，越来越多的学者为了研究病毒也对其做了变种并公布于自己的博客。同时，有攻击就有防护，攻击者和安全管理员之间形成了持久对抗的博弈格局。为了更好的隐藏恶意软件从而使其不被种种杀毒软件所发现，恶意软件一直在不断产生新的变种，且其形势严峻，如：2015年新增了4.3亿个恶意文件。CNCEKT/CC(国家互联网应急中心)在2017年2月的《CNCERT互联网安全威胁报告》中指出，在捕获的新增网络病毒文件中，按网络病毒名称统计新增4个，较上月增长300.0％。在3月的报告中指出，CNCERT捕获了大量新增网络病毒文件，其中按网络病毒名称统计新增11个，网络病毒家族统计新增2个。

在人工智能和深度学习技术取得飞速发展的今天，相关技术被广泛用于恶意软件的检测与分类。其中主要的一种分析技术是将恶意软件转换为灰度图，进而基于所提取的图像特征构建检测和分类模型。将恶意软件由二进制文件转制成为灰度图像后，利用卷积神经网络对恶意软件对应的灰度图进行处理，极大的简化了利用机器学习技术对恶意软件进行检测的复杂度并且显著地提升了识别恶意软件变种的检测率。