Volume 2,Issue 1
基于深度学习的恶意代码检测算法设计与实现
针对恶意代码检测中的特征表示不足与检测精度有限问题，提出一种基于多模态融合的深度学习检测方法。该方法首先从静态与动态两个维度设计并提取恶意代码的多模态特征表示，构建包含静态特征处理子网络与动态特征处理子网络的深度学习模型架构，通过特征融合模块实现跨模态信息的高效整合。进一步详细阐述模型的训练策略与优化细节，并完成检测系统的模块化实现与部署，实现了从样本预处理、特征提取、模型推理到结果可视化的全流程自动化。
[1]李梦,刘万平,黄东. 基于特征融合的恶意代码检测[J].计算机工程与设计,2024,45(12):3568-3574.
[2]蒋应瑞,黎秋玲. 一种基于卷积神经网络的恶意代码检测模型[J].江苏通信,2024,40(06):102-105.
[3]熊其冰,苗启广,杨天,等. 一种基于混合量子卷积神经网络的恶意代码检测方法[J].计算机科学,2025,52(03):385-390.
[4]蒲经纬,张辉,唐斌. 基于深度学习的恶意代码检测技术研究[J].网络安全技术与应用,2024,(10):39-43.
[5]宋亚飞,张丹丹,王坚,等. 基于深度学习的恶意代码检测综述[J].空军工程大学学报,2024,25(04):94-106.
[6]张晓良,柴艳玉,吴克河,等. 一种基于增量学习的恶意代码检测方法[J].计算机与数字工程,2024,52(07):2141-2145+2220.
[7]靳黎忠,薛慧琴,段明博,等. 基于多频特征学习的恶意代码变种分类[J].计算机工程与设计,2024,45(07):1934-1940.
[8]尚承翔,李桦宇,李瀚洋,等. 基于深度迁移学习的恶意代码可视化检测[J].网络安全技术与应用,2024,(03):37-39.