[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

说明书

本申请涉及智能决策和区块链技术领域，提供一种恶意代码检测方法、装置、设备及计算机可读存储介质，包括：获取样本数据，对预设的图卷积神经网络进行参数初始化；将样本数据输入至输入层，得到每个图节点的第一特征向量；将每个图节点的第一特征向量输入至隐藏层，得到每个图节点的第二特征向量；将每个图节点的第二特征向量输入至输出层，得到每个图节点的标签向量；根据每个图节点的第二特征向量和标签向量，调整图卷积神经网络的模型参数至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，并基于目标系统信息，生成目标图结构数据；将目标图结构数据输入至恶意代码检测模型，得到待检测程序的恶意代码检测结果。

技术领域

本申请涉及智能决策技术领域，尤其涉及一种恶意代码检测方法、装置、设备及计算机可读存储介质。

背景技术

随着互联网的快速发展，信息安全凸显的越来越重要，同时，恶意软件也呈现增长的态势，俨然成为威胁互联网安全的主要因素。传统的恶意代码检测技术主要依赖专业的研究人员进行恶意代码进行分析，定制恶意代码检测的规则，这样导致恶意代码的检测范围有限，只能检测到已知的恶意特征信息。面对日益变化的恶意代码，人工成本陡增，机器学习算法不断引入恶意代码检测的过程中，定制特征提取方式，从而转化为对应领域问题，利用有监督的方式进行训练，需要标注大量的恶意样本信息，标注数量越多识别效果越好，而现实应用环境中，能够进行有效标注的恶意代码数量较少，从而导致能够覆盖的恶意代码家族比较有限。因此，如何准确且快速的检测系统信息中是否存在恶意代码是目前亟待解决的问题。

发明内容

本申请的主要目的在于提供一种恶意代码检测方法、装置、设备及计算机可读存储介质，旨在提高检测恶意代码的准确性和效率。

第一方面，本申请提供一种恶意代码检测方法，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。

第二方面，本申请还提供一种恶意代码检测装置，所述恶意代码检测装置包括：

获取模块，用于获取样本数据，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；

参数初始化模块，用于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；

生成模块，用于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；

所述生成模块，还用于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；

所述生成模块，还用于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；