基于半监督生成对抗网络的恶意代码家族分类实现

随着互联网的发展,恶意代码呈现海量化与多态化的趋势,恶意代码家族分类是网络空间安全面临的挑战之一.将半监督生成对抗网络与深度卷积学习网络相结合,构建半监督深度卷积生成对抗网络,提出了一种恶意代码家族分类模型,通过恶意代码家族特征分析,对恶意代码进行特征提取,转化为一维灰度图像;然后基于一维卷积神经网络1D-CNN,构建半监督生成对抗网络SGAN,形成恶意代码家族分类模型SGAN-CNN.从特征提取优化、半监督生成对抗训练算法优化等方面进行恶意代码家族分类能力提升.为了验证SGAN-CNN模型的分类效果,在Microsoft Malware Classification Challenge数据集上进行实验.5折交叉验证测试显示,本文提出的模型在样本标注标签占80％的情况下,分类的平均准确率达到98.81％;在样本标注标签仅有20％的情况下,分类的平均准确率达到98.01％,取得了较好的分类效果.在小样本数量情况下,也能取得不错的分类准确率.