| 基于文檔圖結(jié)構(gòu)的惡意PDF文檔檢測(cè)方法 | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：zhoubin333 | |
| 文檔大?。?span>716 K | |
| 標(biāo)簽： 惡意PDF文檔 文檔圖結(jié)構(gòu) 卷積神經(jīng)網(wǎng)絡(luò) | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：目前基于機(jī)器學(xué)習(xí)的惡意PDF文檔檢測(cè)方法依賴于專家經(jīng)驗(yàn)來(lái)遴選特征，無(wú)法全面反映文檔屬性。而且在面對(duì)對(duì)抗樣本時(shí)，檢測(cè)器性能下降明顯。針對(duì)上述問(wèn)題，提出了一種基于文檔圖結(jié)構(gòu)和卷積神經(jīng)網(wǎng)絡(luò)的惡意PDF文檔檢測(cè)方法。該方法解析文檔結(jié)構(gòu)，根據(jù)文檔中各對(duì)象之間的引用關(guān)系構(gòu)建出有向圖。然后，通過(guò)TF-IDF算法計(jì)算各節(jié)點(diǎn)對(duì)分類的貢獻(xiàn)度來(lái)進(jìn)行圖結(jié)構(gòu)精簡(jiǎn)。最后，計(jì)算精簡(jiǎn)后圖的鄰接矩陣和度矩陣，并得到圖的拉普拉斯矩陣，以此作為特征送入CNN分類模型進(jìn)行訓(xùn)練。同時(shí)還加入了對(duì)抗樣本，對(duì)模型進(jìn)行對(duì)抗訓(xùn)練。實(shí)驗(yàn)評(píng)估表明，在給定訓(xùn)練和測(cè)試樣本比例9:1條件下，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，該方法的準(zhǔn)確率達(dá)到了99.71%，性能優(yōu)于KNN和SVM分類模型。在針對(duì)對(duì)抗樣本的檢測(cè)上，與知名在線檢測(cè)網(wǎng)站VirusTotal上的67款殺毒引擎相比，該方法取得了更高的檢測(cè)性能。 | |
| 現(xiàn)在下載 | |
| VIP會(huì)員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
惡意PDF文檔 相關(guān)資源
zhoubin333 的最新分享
- 基于雙模單包授權(quán)的公路零信任安全應(yīng)用研究*
- 基于區(qū)塊鏈的法檢司數(shù)據(jù)安全共享技術(shù)研究*
- 揭開(kāi)“算法的面紗”：關(guān)于構(gòu)建算法解釋框架的思考
- 企業(yè)“數(shù)據(jù)池”的商業(yè)秘密保護(hù)路徑探究
- 注意力經(jīng)濟(jì)下陪伴式人工智能平臺(tái)的侵權(quán)責(zé)任
- 數(shù)據(jù)抓取行為競(jìng)爭(zhēng)法規(guī)制中的利益衡量研究
- 基于同態(tài)的多對(duì)多電子投票方案設(shè)計(jì)*
- 基于策略和屬性隱藏的區(qū)塊鏈訪問(wèn)控制方法研究
Copyright ? 2005-2024 華北計(jì)算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號(hào)-2