10.3969/j.issn.1006-9348.2023.07.043
基于量化的CNN恶意代码检测方法
针对当前采用深度学习的恶意代码检测方法存在计算资源消耗较大,难以部署到资源受限的边缘设备的问题,提出了一个对恶意代码可视化检测模型进行压缩的方法.将恶意软件转换成灰度图像后,输入卷积神经网络,对卷积神经网络的输入值和权重进行量化运算,构建恶意代码的分类模型HBF-VGG14-Net,通过量化后的VGG14 模型进行训练及测试得到检测结果.实验结果表明,相比全精度VGG14 模型,HBF-VGG14-Net在精度损失较小的情况下,能够实现模型压缩 28 倍.所提方法预处理操作简单,训练的模型占用内存较小,故HBF-VGG14-Net模型可用于边缘设备的恶意软件检测.
恶意软件检测、卷积神经网络、量化、可视化
40
TP393.08(计算技术、计算机技术)
学基金项目;教育部重点实验室基金;教育部重点实验室基金;广西密码学与信息安全重点实验室基金项目
2023-08-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
224-228,295