-
题名基于多通道图像深度学习的恶意代码检测
被引量：14
- 1
-
-
作者
蒋考林
白玮
张磊
陈军
潘志松
郭世泽
-
机构
陆军工程大学指挥控制工程学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第4期1142-1147,共6页
-
基金
国家重点研发计划项目(2017YFB0802800)。
-
文摘
现有基于深度学习的恶意代码检测方法存在深层次特征提取能力偏弱、模型相对复杂、模型泛化能力不足等问题。同时,代码复用现象在同一类恶意样本中大量存在,而代码复用会导致代码的视觉特征相似,这种相似性可以被用来进行恶意代码检测。因此,提出一种基于多通道图像视觉特征和AlexNet神经网络的恶意代码检测方法。该方法首先将待检测的代码转化为多通道图像,然后利用AlexNet神经网络提取其彩色纹理特征并对这些特征进行分类从而检测出可能的恶意代码;同时通过综合运用多通道图像特征提取、局部响应归一化(LRN)等技术,在有效降低模型复杂度的基础上提升了模型的泛化能力。利用均衡处理后的Malimg数据集进行测试,结果显示该方法的平均分类准确率达到97.8%;相较于VGGNet方法在准确率上提升了1.8%,在检测效率上提升了60.2%。实验结果表明,多通道图像彩色纹理特征能较好地反映恶意代码的类别信息,AlexNet神经网络相对简单的结构能有效地提升检测效率,而局部响应归一化能提升模型的泛化能力与检测效果。
-
关键词
多通道图像
彩色纹理特征
恶意代码
深度学习
局部响应归一化
-
Keywords
multi-channel image
color texture feature
malicious code
deep learning
local response normalization(lrn)
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
-
题名全卷积神经网络的字符级文本分类方法
被引量：11
- 2
-
-
作者
张曼
夏战国
刘兵
周勇
-
机构
中国矿业大学计算机科学与技术学院
中国科学院电子研究所
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第5期166-172,共7页
-
基金
国家自然科学基金面上项目（No.61572505）
-
文摘
传统卷积神经网络文本分类模型全连接层参数过多易引发过拟合问题,为此,将图像分割中的全卷积思想首次引入字符级文本分类任务中,不仅避免了过拟合问题,而且通过卷积层替换全连接层减少了参数数量,从而加快了模型收敛速度。文本分类问题中单词、短语等层面的处理方式存在获取文本信息不充分的问题。使用字符级全卷积神经网络进行文本分类,充分获取文本信息,并在卷积池化层后添加局部响应归一化层(LRN),提高了模型的总体性能。通过使用多指标在测试数据集中进行模型评估,充分验证了该模型的有效性,与其他模型相比,提出的模型在二分类与多分类任务中具有更好的分类性能。
-
关键词
文本分类
全卷积神经网络
字符级
局部响应归一化层(lrn)
特征提取
-
Keywords
text classification
fully convolutional neural network
character level
local response normalization(lrn)
feature extraction
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于并列卷积神经网络的超分辨率重建
被引量：3
- 3
-
-
作者
欧阳宁
曾梦萍
林乐平
-
机构
认知无线电与信息处理省部共建教育部重点实验室(桂林电子科技大学)
桂林电子科技大学信息与通信学院
-
出处
《计算机应用》
CSCD
北大核心
2017年第4期1174-1178,共5页
-
基金
国家自然科学基金资助项目(61362021
61661017)
+5 种基金
广西自然科学基金资助项目(2013GXNSFDA019030
2014GXNSFDA118035)
认知无线电与信号处理重点实验室主任基金资助项目(CRKL160104)
广西科技创新能力与条件建设计划项目(桂科能1598025-21)
桂林科技开发项目(20150103-6)
桂林电子科技大学研究生教育创新计划项目(YJCXS201534)~~
-
文摘
为提取更多有效特征并提高模型训练的收敛速度,提出一种基于并列卷积神经网络的超分辨率重建方法。该网络由两路不同结构的网络组成:一路为简单的残差网络,其优化残差映射比原始的映射更容易实现;另一路为增加了非线性映射的卷积神经网络,增强了网络的非线性能力。随着并行网络结构的复杂化,收敛速度慢成为突出问题。针对这个问题,在卷积层后添加正则化处理,以简化模型参数、增强特征拟合能力,最终达到加快收敛的目的。实验结果表明,与基于深度卷积神经网络算法相比,该网络结构收敛速度更快,主观视觉效果更好,峰值信噪比(PSNR)平均提高了0.2dB。
-
关键词
并列卷积神经网络
残差网络
非线性映射
正则化处理
收敛速度
-
Keywords
parallel convolution neural network
residual network
nonlinear mapping
local response normalization（lrn）
convergence speed
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
