空军工程大学学报

作者：刘强1,2,王坚1,路艳丽1,王艺菲1

单位：1.空军工程大学防空反导学院,西安,710051;2.空军工程大学研究生院,西安,710051\

关键词：恶意代码;级联分类器;KAN;FFM算法;对抗性攻击

基金：国家自然科学基金(61806219,61703426,61876189);陕西省高校科协青年人才托举计划(20190108,20220106);陕西省创新能力支撑计划(2020KJXX-065)

针对现有恶意代码可视化分类模型在精度和鲁棒性方面的不足,提出一种基于改进DenseNet的恶意代码可视化分类方法CasKDNet,通过3项关键技术实现精度和鲁棒性的提升。首先,构建级联分类器结构,增强纹理相似家族的特征区分能力;其次,采用KAN结构替代DenseNet网络中的多层感知机,优化特征提取过程的非线性表达能力,提升模型整体精度;最后,基于FFM图像修复算法对训练集进行数据增强, 提高模型鲁棒性。在恶意代码数据集Malimg上的实验结果显示,CasKDNet模型取得99.69%的分类准确 率,与现有研究方法相比具有明显性能优势。此外,在白盒攻击背景下,FGSM和I-FGSM算法对CasKDNet的攻击成功率仅为12.7%和37.5%,进一步证实了模型在防范对抗性攻击方面的有效性。

来源：2025年第4期

《空军工程大学学报》期刊编辑部

查看空军工程大学学报杂志2025年第4期