[发明专利]恶意代码检测方法、装置、设备及计算机可读存储介质

权利要求书

1.一种恶意代码检测方法，其特征在于，包括：

获取样本数据，所述样本数据包括基于应用程序的系统信息生成的图结构数据；

对预设的图卷积神经网络进行参数初始化，其中，所述图卷积神经网络包括输入层、隐藏层和输出层；

将所述样本数据输入至所述输入层，得到所述图结构数据中的每个图节点的第一特征向量；

将每个图节点的所述第一特征向量输入至所述隐藏层，得到所述图结构数据中的每个图节点的第二特征向量；

将每个图节点的所述第二特征向量输入至所述输出层，得到所述图结构数据中的每个图节点的标签向量；

根据每个图节点的所述第二特征向量和所述标签向量，调整所述图卷积神经网络的模型参数直至所述图卷积神经网络收敛，得到恶意代码检测模型；

获取待检测程序的目标系统信息，并基于所述目标系统信息，生成目标图结构数据；

将所述目标图结构数据输入至所述恶意代码检测模型，得到所述待检测程序的恶意代码检测结果。

2.如权利要求1所述的恶意代码检测方法，其特征在于，所述根据每个图节点的所述第二特征向量和所述标签向量，调整所述图卷积神经网络的模型参数直至所述图卷积神经网络收敛，得到恶意代码检测模型，包括：

根据所述每个图节点的所述第二特征向量和所述标签向量，确定图卷积神经网络的目标损失值；

根据所述目标损失值确定所述图卷积神经网络是否收敛；

若所述图卷积神经网络未收敛，则继续输入样本数据进行图卷积神经网络训练直至所述图卷积神经网络收敛，得到所述恶意代码检测模型。

3.如权利要求2所述的恶意代码检测方法，其特征在于，所述根据所述每个图节点的所述第二特征向量和所述标签向量，确定图卷积神经网络的目标损失值，包括：

根据所述每个图节点的所述第二特征向量和所述标签向量，确定第一损失值；

获取每个图节点标签的权重参数，并根据所述每个图节点标签的权重参数，确定第二损失值；

对所述第一损失值和所述第二损失值进行加法运算，得到所述目标损失值。

4.如权利要求3所述的恶意代码检测方法，其特征在于，所述根据所述每个图节点的所述第二特征向量和所述标签向量，确定第一损失值，包括：

对每个图节点的第二特征向量和对应的标签向量进行乘法运算，得到每个图节点的第三损失值；

将每个图节点的第三损失值进行累加，得到所述第一损失值。

5.如权利要求3所述的恶意代码检测方法，其特征在于，所述根据所述每个图节点标签的权重参数，确定第二损失值，包括：

确定所述每个图节点标签的权重参数的范数，得到多个第四损失值；

对多个所述第四损失值进行累加，得到所述第二损失值。

6.如权利要求2所述的恶意代码检测方法，其特征在于，所述根据所述目标损失值确定所述图卷积神经网络是否收敛，包括：

确定所述目标损失值是否小于预设阈值；

若确定所述目标损失值小于预设阈值，则确定所述图卷积神经网络已收敛；

若确定所述目标损失值大于或等于预设阈值，则确定所述图卷积神经网络未收敛。

7.如权利要求1-6任一项所述的恶意代码检测方法，其特征在于，所述基于所述目标系统信息，生成目标图结构数据，包括：

根据所述目标系统信息，确定进程信息、文件信息和访问关系；

基于所述访问关系，对所述进程信息和文件信息进行图结构构建，生成所述目标图结构数据。