空军工程大学学报

作者：李怡，李进

单位：空军工程大学防空反导学院，西安，710051\

关键词：恶意代码;轻量化卷积;密集连接网络;通道域注意力机制

基金：malicious code; lightweight convolutional; densely connected network; channel domain attention mechanism

针对现有恶意代码检测模型对恶意代码及其变种识别率不高，且参数量过大这一问题，将轻量化卷积Ghost、密集连接网络DenseNet与通道域注意力机制SE相结合，提出一种基于GhostDenseNetSE的恶意代码家族检测模型。该模型为压缩模型体积、提升识别速率，将DenseNet中的标准卷积层替换为轻量化Ghost模块；并引入通道域注意力机制，赋予特征通道不同权重，用以提取恶意代码的关键特征，提高模型检测精度。在Malimg数据集上的实验结果表明，该模型对恶意代码家族的识别准确率可以达到99.14%，与AlexNet、VGGNet等模型相比分别提高了1.34%和2.98%，且模型参数量更低。该算法在提升分类准确率的同时，降低了模型复杂度，在恶意代码检测中具有重要的工程价值和实践意义。

来源：2021年第5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2021年第5期