检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

螺旋藻全蛋白与家族分类

食品科学 2018年第16期39卷 201-207页

作者：王娜向清豪赵肖荣李博生聂中良北京林业大学生物科学与技术学院北京100083 北京林业大学林业食品加工与安全北京市重点实验室北京100083 北京林业大学螺旋藻研究所北京100083 西南林业大学生命科学学院云南昆明650224

采用相对和绝对定量同位素标记实验的方法对螺旋藻全蛋白进行定性分析,并选用合理的统筹归类方法对其进行实用性归类。结果表明,共定性检测到螺旋藻蛋白质数为2 085个,其中已知蛋白1 562个;通过序列分类法将869个蛋白共分成233个蛋白超... 详细信息

采用相对和绝对定量同位素标记实验的方法对螺旋藻全蛋白进行定性分析,并选用合理的统筹归类方法对其进行实用性归类。结果表明,共定性检测到螺旋藻蛋白质数为2 085个,其中已知蛋白1 562个;通过序列分类法将869个蛋白共分成233个蛋白超家族与87个(均为已知蛋白)蛋白家族;根据蛋白的性质、结构和功能可分成7大类,发现蛋白超家族在抗氧化、抗癌、抗肿瘤、免疫调节等方面具有重要功能,可被广泛应用于食品、保健和医药等领域。由此可见,螺旋藻活性蛋白具有极大的开发前景。

关键词：螺旋藻全蛋白家族分类相对和绝对定量同位素标记实验(iTRAQ) 功能分析

Excel 4.0宏自动化反混淆与家族分类系统

在线全文

学校读者我要写书评

暂无评论

网络与信息安全学报 2024年第3期10卷 66-80页

作者：李晨光杨秀璋彭国军武汉大学国家网络安全学院湖北武汉430072

近年来,使用恶意Excel 4.0宏(XLM)文档的攻击迎来了爆发,而XLM代码往往经过复杂的混淆,现有方法或检测系统难以分析海量样本的真实功能。因此,针对恶意样本中使用的各类混淆技术,基于抽象语法树和模拟执行,设计和实现了包含138个宏函数... 详细信息

近年来,使用恶意Excel 4.0宏(XLM)文档的攻击迎来了爆发,而XLM代码往往经过复杂的混淆,现有方法或检测系统难以分析海量样本的真实功能。因此,针对恶意样本中使用的各类混淆技术,基于抽象语法树和模拟执行,设计和实现了包含138个宏函数处理程序的自动化XLM反混淆与关键威胁指标(IOC,indicators of compromise)提取系统XLMRevealer;在此基础上,根据XLM代码特点提取Word和Token特征,通过特征融合能够捕获多层次细粒度特征,并在XLMRevealer中构造CNN-BiLSTM(convolution neural network-bidirectional long short term memory)模型,从不同维度挖掘家族样本的关联性和完成家族分类。最后,从5个来源构建包含2346个样本的数据集并用于反混淆实验和家族分类实验。实验结果表明,XLMRevealer的反混淆成功率达到71.3%,相比XLMMacroDeobfuscator和SYMBEXCEL工具分别提高了20.8%和15.8%;反混淆效率稳定,平均耗时仅为0.512 s。XLMRevealer对去混淆XLM代码的家族分类准确率高达94.88%,效果优于所有基线模型,有效体现Word和Token特征融合的优势。此外,为探索反混淆对家族分类的影响,并考虑不同家族使用的混淆技术可能有所不同,模型会识别到混淆技术的特征,分别对反混淆前和反混淆后再统一混淆的XLM代码进行实验,家族分类准确率为89.58%、53.61%,证明模型能够学习混淆技术特征,更验证了反混淆对家族分类极大的促进作用。

关键词：恶意宏文档 Excel 4.0宏反混淆家族分类

基于深度学习的PowerShell恶意代码家族分类研究

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（理学版） 2022年第1期68卷 8-16页

作者：高宇航彭国军杨秀璋宋文纳吕杨琦空天信息安全与可信计算教育部重点实验室武汉大学国家网络安全学院湖北武汉430072

由于PowerShell具备隐蔽性高、易用性好、运行环境简单等特点,近年来已被广泛应用于高级持续性威胁攻击中。对PowerShell恶意代码进行基于功能的家族分类是检测其新型变异代码的关键。针对已有工作主要集中于PowerShell代码的恶意性检测... 详细信息

由于PowerShell具备隐蔽性高、易用性好、运行环境简单等特点,近年来已被广泛应用于高级持续性威胁攻击中。对PowerShell恶意代码进行基于功能的家族分类是检测其新型变异代码的关键。针对已有工作主要集中于PowerShell代码的恶意性检测,缺乏对其功能层面深入挖掘的问题,提出了一种基于功能类型的PowerShell恶意代码家族分类方法。该方法通过构建双向门控循环网络与注意力机制提取PowerShell恶意代码的上下文语义信息,利用PowerShell恶意代码的语义特征实现家族分类。实验结果表明该方法具备高精确率、高召回率以及耗时少等优点,在真实数据集上各项指标均高于96%,分类效果良好。

关键词： PowerShell 恶意代码家族分类深度学习

在线全文

学校读者我要写书评

暂无评论

一种基于深度学习的恶意软件家族分类模型

信息安全学报 2020年第1期5卷 1-9页

作者：郑锐汪秋云傅建明姜政伟苏日古嘎汪姝玮空天信息安全与可信计算教育部重点实验室武汉大学国家网络安全学院中国武汉430072 中国科学院信息工程研究所中国北京100093 中国科学院大学网络空间安全学院中国北京100049

恶意软件的家族分类问题是网络安全研究中的重要课题,恶意软件的动态执行特征能够准确的反映恶意软件的功能性与家族属性。本文通过研究恶意软件调用Windows API的行为特点,发现恶意软件的恶意行为与序列前后向API调用具有一定的依赖关... 详细信息

恶意软件的家族分类问题是网络安全研究中的重要课题,恶意软件的动态执行特征能够准确的反映恶意软件的功能性与家族属性。本文通过研究恶意软件调用Windows API的行为特点,发现恶意软件的恶意行为与序列前后向API调用具有一定的依赖关系,而双向LSTM模型的特征计算方式符合这样的依赖特点。通过设计基于双向LSTM的深度学习模型,对恶意软件的前后API调用概率关系进行了建模,经过实验验证,测试准确率达到了99.28%,所提出的模型组合方式对恶意软件调用系统API的行为具有良好的建模能力,为了深入的测试深度学习方法的分类性能,实验部分进一步设置了对抗样本实验,通过随机插入API序列的方式构造模拟对抗样本来测试原始参数模型的分类性能,对抗样本实验表明,深度学习方法相对某些浅层机器学习方法具有更高的稳定性。文中实验为深度学习技术向工业界普及提供了一定的参考意义。

关键词：深度学习恶意软件家族分类鲁棒性

在线全文

学校读者我要写书评

暂无评论

基于对抗训练的恶意软件开放集家族分类研究

基于对抗训练的恶意软件开放集家族分类研究

作者：任羽暨南大学

学位级别：硕士

随着互联网的迅速发展,与日俱增的恶意软件威胁着网络的安全。恶意软件的家族分类是重要的安全防御技术,目前已有大量基于机器学习的家族分类研究。大多数现有的家族分类研究面向的是闭集场景,即每个待分类样本所属的家族都已包含在训... 详细信息

随着互联网的迅速发展,与日俱增的恶意软件威胁着网络的安全。恶意软件的家族分类是重要的安全防御技术,目前已有大量基于机器学习的家族分类研究。大多数现有的家族分类研究面向的是闭集场景,即每个待分类样本所属的家族都已包含在训练所用的家族集中。但是实际的恶意软件家族分类面对的是开放场景,即待分类样本可能属于在训练中从未见过的新家族。目前也有一些用于恶意软件开放集家族分类的技术,但这些技术的分类效果和模型训练稳定性都有待提升。针对开放环境下的恶意软件家族分类问题,本文首先基于DCGAN和ACGAN模型进行模型探索,指出上述方法的不足与改进之处。其次,提出一种基于对抗训练的恶意软件开放集家族分类方法:使用生成器、判别器与两个分类器一起组成联合训练网络,并训练其中一个分类器为开放集分类模型。此方法利用生成对抗网络生成旧家族低密度区域数据以模拟新家族样本,训练分类器为旧家族样本和模拟的新家族样本分别产生不同的概率得分。此方法的特点包括:通过使用两个分类器,可克服GAN模型训练不稳定对开放集分类模型的影响;通过设计多个损失函数以及新颖的网络训练方式,可促使分类器得到良好的分类效果。本文将详述此方法的对抗训练过程和分类模型。本文基于标准Big2015数据集和大型MAL-99数据集进行实验研究,验证了本文开放集分类方法的有效性。本文通过实验对比了本文模型与现有模型的开放集分类效果,实验结果表明,本文模型具有更高的分类AUROC值、准确率和召回率,以及更好的模型训练稳定性。本文还通过消融实验,表明了本文模型中各个主要组成部分的必要性。总之,本文基于对抗训练提出了一种有效的、训练稳定的恶意软件开放集分类方法。

关键词：恶意软件家族分类开放集生成对抗网络深度学习

基于机器学习的Android恶意软件家族分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的Android恶意软件家族分类方法研究

作者：于媛尔新疆大学

学位级别：硕士

随着移动市场的快速发展,Android系统逐渐成为使用最广泛的移动端操作系统,同时也成为恶意攻击者攻击的主要目标。据统计,90%的Android恶意软件是由同一恶意软件变形而来,因此,将不断新增的恶意软件变体分类至家族不仅能够根据应用程序... 详细信息

随着移动市场的快速发展,Android系统逐渐成为使用最广泛的移动端操作系统,同时也成为恶意攻击者攻击的主要目标。据统计,90%的Android恶意软件是由同一恶意软件变形而来,因此,将不断新增的恶意软件变体分类至家族不仅能够根据应用程序之间表现出的行为相似性将样本归因,缩短恶意软件检测的时间;同时,通过探索同一家族及家族之间的衍变规律,有助于对恶意软件的新变体进行有效检测并防御。现有的Android恶意软件家族检测及分类方法主要基于权限、API、字节码等单一特征,本文为了更深层次地提取Android恶意软件的代表性特征,提高模型的泛化能力,具体工作如下:（1）提出一种基于随机森林的Android恶意软件家族分类方法。通过提取权限和API特征,利用权值计算筛选出关键权限,将其定义为敏感权限,同时将计算筛选出的关键API、Android5.1.1版本中危险权限所对应的API以及官方声明的高度敏感的API三部分定义为敏感API,将两种特征结合后运用随机森林算法进行家族分类实验。与目前的已有的研究工作相比,本文能够使用敏感权限与API进行分析,在减少分析时间的同时达到较好的分类效果,实验结果F值达到98.1%。（2）提出一种基于CNN和多头注意力机制结合的Android恶意软件家族分类方法。为了提高模型的泛化能力,在提取敏感权限和敏感API的基础上,增加反映恶意软件行为的Intent和Activity特征。由于特征种类的增多,浅层机器学习算法难以从特征空间中挖掘特征之间的隐含关系,因此采用一种卷积神经网络和多头注意力机制结合的算法进行家族分类实验,多头注意力机制与普通的注意力机制的区别在于前者能够复制多个多头,并且赋予不同的权重,将多头注意力机制与能够提取局部特征并有效降维的卷积神经网络结合后进行分类实验。实验结果表明,该方法F值达到99.25%,明显优于其他的深度学习算法。（3）家族的同源性分析。本文在恶意软件家族分类的基础上,对各个家族的权限、API、Intent和Activity特征进行深入分析,追溯家族的同源性。通过对代表性特征进行同源性分析实验,结果F值达到86.9%,说明这些特征能够很好的区分不同家族。此外采用层次聚类法对二十个家族进行聚类实验,进一步验证了家族之间的相似性,能够为追溯家族的衍变过程提供一定依据。

关键词： Android恶意软件家族分类敏感权限敏感API 多头注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于行为特征的勒索病毒家族分类研究

基于行为特征的勒索病毒家族分类研究

作者：岳婷中国人民公安大学

学位级别：硕士

近年来,勒索病毒攻击事件频发,所使用的技术更加多元、攻击方式更加专业,且勒索病毒多为已知家族的变种,新型家族出现较少。勒索病毒在攻击目标上转向企业,这意味着勒索病毒对网络空间安全将构成更严重的威胁。如何检测并识别勒索病毒... 详细信息

近年来,勒索病毒攻击事件频发,所使用的技术更加多元、攻击方式更加专业,且勒索病毒多为已知家族的变种,新型家族出现较少。勒索病毒在攻击目标上转向企业,这意味着勒索病毒对网络空间安全将构成更严重的威胁。如何检测并识别勒索病毒成为当前一大热点课题。在勒索病毒突发时,通过快速判断其所属家族,进而对其进行针对性或参考性地分析破解,可以有效地降低勒索病毒的传播和危害。目前机器学习等算法虽已用于勒索病毒检测中,但主流的一些杀毒软件公司在勒索病毒以及家族的识别和判定上仍有待提升。其次,勒索病毒研究领域在家族分类上的研究相对较少,且多基于静态特征。因此,针对勒索家族分类问题,在深入分析总结勒索病毒动态执行过程中文件加密行为、网络行为、注册表行为、进程行为机制的基础上,搭建基于Cuckoo沙箱的勒索病毒动态行为分析平台,批量处理收集到的勒索病毒家族样本,获取样本行为分析报告,总结各家族的行为特点及家族间行为差异,提取行为特征用于家族分类模型。在此基础上,提出了两种家族分类方法,具体如下:一是提取勒索病毒动态运行时的API函数类别序列表征其行为,并对序列做去重处理,在训练集样本上使用多序列比对算法并设置共性水平,对家族内部病毒样本提取候选指纹序列,结合局部比对算法和指纹确定算法确定家族指纹序列,构建家族指纹序列库。对于未知样本,通过使用局部比对算法计算该样本序列与家族指纹序列库内序列的相似性,以判断该样本所属家族;二是从勒索病毒的文件加密行为、网络行为、注册表行为、进程行为以及其他行为五个维度提取具有行为意义的特征,构建勒索病毒行为特征工程。在此基础上再结合随机森林算法,使用袋外误差方法选择最优特征子集,调整模型参数,优化家族分类模型,经实验验证在测试数据集上取得了F1-score为97.3%、AUC为0.998,mlogloss为0.188的分类性能,并和常见的机器学习算法及病毒检测平台进行了比较。本文针对Windows平台的加密型勒索病毒,共计1096个,13个家族类别,通过实验验证,以上两种方法对勒索病毒家族分类均有较高的准确率,证明了本文提出的方法在勒索病毒家族分类上有一定价值。

关键词：勒索病毒家族分类序列比对特征工程机器学习

基于图卷积网络的恶意软件半监督家族分类方法的研究与设计

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图卷积网络的恶意软件半监督家族分类方法的研究与设计

作者：韦程翰北京邮电大学

学位级别：硕士

随着互联网的广泛普及和计算机技术的飞速发展,恶意软件已经成为当今网络安全领域面临的最大威胁之一。为了规避反病毒引擎的检测,攻击者在已有恶意软件的基础上,通过加壳、混淆等反调试技术修改代码逻辑和程序结构,导致各类恶意软件变... 详细信息

随着互联网的广泛普及和计算机技术的飞速发展,恶意软件已经成为当今网络安全领域面临的最大威胁之一。为了规避反病毒引擎的检测,攻击者在已有恶意软件的基础上,通过加壳、混淆等反调试技术修改代码逻辑和程序结构,导致各类恶意软件变种层出不穷,整体呈现出多样化、多态化的发展趋势。为了应对不断加剧的恶意软件威胁,安全研究者们试图借助家族分类的方式对恶意软件进行同源性分析。然而,传统的基于静态分析和动态执行的家族分类方法受限于计算速度与成本消耗等因素无法满足大规模恶意软件家族分类任务的实时性需求,现有的机器学习和深度学习家族分类方法大多基于监督学习,需要大量的标签样本作为先验知识。作为近几年来图表示学习领域取得的最重要的突破之一,图卷积网络凭借其在处理图结构数据层面上的优势,为海量恶意软件快速和可扩展的半监督家族分类问题提供了一种潜在的解决方案。基于此,本文将恶意软件网络拓扑建模为有属性图,从而将图卷积网络应用于恶意软件家族分类任务中,同时还研究了特征融合机制来弥补图卷积网络在聚合节点特征和拓扑结构以提取关联信息层面存在的漏洞,最终设计并实现了一种新颖的基于图卷积网络的恶意软件半监督家族分类方法。本文的主要研究成果可以总结如下:(1)提出了一种恶意软件网络属性图构建方法。针对恶意软件网络不具有天然的网络拓扑结构,需要手工进行构建的问题,本文提出以属性图的形式表征恶意样本间复杂的相互依赖关系,根据恶意样本的多维静态统计特征和图像特征计算节点间的相似度分别构建得到两张具有节点属性的kNN图,即拓扑图和特征图,从而将恶意软件家族分类问题转化为图上的半监督节点分类任务,借助图卷积网络卓越的图表示学习能力对恶意软件进行准确而高效的家族分类。(2)提出了一种恶意软件自适应多维异构特征融合方法。针对图卷积网络聚合节点特征和拓扑结构以提取共享信息性能不佳的问题,本文通过引入多通道图卷积网络和注意力机制,自适应地提取并聚合从恶意软件拓扑空间、特征空间以及两者的公共空间中挖掘得到的多维异构特征信息,从而生成蕴含更丰富家族分类信息且具有更高可区分度的节点嵌入表示,提高在每个恶意软件家族只有有限数量标签样本情况下的分类性能。(3)设计并实现了一种基于自适应多特征融合图卷积网络的恶意软件半监督家族分类方法。在真实世界恶意软件分类数据集上进行的一系列实验证明了本文所提出的方法相对于其他最先进的半监督分类方法的优越性能,在训练集标签率仅为4.6%时实现了 95.90%的分类准确率。本文的研究进一步表明,在实际恶意软件家族分类任务中标签工作可以减少,同时本文方法仍然能够保持较高的分类准确率,这对于防范和抵御愈加猖獗的恶意软件威胁而言具有十分重要的理论及现实意义。

关键词：恶意软件家族分类图卷积网络半监督学习

基于极限学习机的恶意代码家族分类技术的研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于极限学习机的恶意代码家族分类技术的研究与实现

作者：刘文翰北京邮电大学

学位级别：硕士

恶意代码作为各类网络安全事件最重要的攻击载体,已然成为网络安全面临的严重威胁之一,现在的恶意代码个体生命周期都非常短,同一样本广泛传播以造成巨大危害的恶意代码已不多见。为提高恶意代码自身的生存性,其编写者常采用多态、变形... 详细信息

恶意代码作为各类网络安全事件最重要的攻击载体,已然成为网络安全面临的严重威胁之一,现在的恶意代码个体生命周期都非常短,同一样本广泛传播以造成巨大危害的恶意代码已不多见。为提高恶意代码自身的生存性,其编写者常采用多态、变形等技术手段对恶意代码进行修改,改变代码形态,生成各种攻击行为相近的恶意代码变种。上述行为使恶意代码不仅在数量上裂变增长,而且其防御手段也愈加多元化,若能根据已有的恶意代码家族标注新生成的恶意代码,并提取同源样本的特有特征,采取对应的检测查杀机制,将有效提高反病毒引擎检测新兴恶意代码的效率和准确率。在上述分析的基础上,本文对基于极限学习机的恶意代码家族分类技术进行研究与实现,论文主要工作如下:(1)提出了一种针对Windows平台恶意代码家族分类技术的完整实验方案。该方案包括数据采集、特征工程和分类学习三部分,首先,从恶意代码数据库网站VirusShare上选取符合要求的恶意样本,构建实验数据集;其次,通过对大量恶意代码进行分析,利用开源工具PEframe和Exeinfo提取样本PE特征,得到特征向量文件,并构建恶意代码特征数据库;最后,将特征向量结合对应的家族类别标签,输入分类器进行模型训练。(2)采用极限学习机作为模型分类器。本文在深入研究极限学习机算法的理论基础后,将极限学习机应用于恶意代码家族分类技术中,训练分类器对恶意代码家族进行预测分类。与当前常用的机器学习算法相比,极限学习机能够在保证分类准确率的基础上,有效缩短训练时间并提高模型的泛化性,是一种高效的模型分类器。(3)开发了基于极限学习机的恶意代码家族分类工具,验证了本文所提方法的可用性和有效性,同时与支持向量机、朴素贝叶斯、决策树等四种常用的分类模型进行对比实验,证明本文提出的技术方案具有更高的分类效率和准确率。本文研究并实现了基于极限学习机的恶意代码家族分类技术,完成对Windows平台恶意代码家族的预测分类工作,本文方法有效提高了分类的准确率和分类效率,具有一定的实践意义。

关键词：恶意代码家族分类 PE特征极限学习机