基于纹理指纹与活动向量空间的Android恶意代码检测

为了进一步提高恶意代码识别的准确率和自动化程度,提出一种基于深度学习的Android恶意代码分析与检测方法。首先,提出恶意代码纹理指纹体现恶意代码二进制文件块内容相似性,选取33类恶意代码活动向量空间来反映恶意代码的潜在动态活动。其次,为确保分类准确率的提高,融合上述特征,训练自编码器(AE)和Softmax分类器。通过对不同数据样本进行测试,利用栈式自编码(SAE)模型对Android恶意代码的分类平均准确率可达94.9%,比支持向量机(SVM)高出1.1个百分点。实验结果表明,所提出的方法能够有效提高恶意代码识别精度。

栈式自编码的恶意代码分类算法研究

针对传统机器学习方法不能有效地提取恶意代码的潜在特征,提出了基于栈式自编码(stacked auto encoder,SAE)的恶意代码分类算法。其次从大量训练样本中学习并提取恶意代码纹理图像特征、指令语句中的隐含特征;在此基础上,为提高特征选择对分类算法准确性的提高,将恶意代码纹理特征以及指令语句频度特征进行融合,训练栈式自编码器和softmax分类器。实验结果表明,基于恶意代码纹理特征以及指令频度特征,利用栈式自编码分类算法对恶意代码具有较好的分类能力,其分类准确率高于传统浅层机器学习模型(随机森林、支持向量机),相比随机森林的方法提高了2.474%,相比SVM的方法提高了1.235%。

深度信念网络的恶意代码分类策略研究

恶意代码的分类是恶意代码分析领域研究的重要问题之一.为解决这一问题,提出深度信念网络(Deep Belief Netw orks,DBN)的恶意代码分类策略.首先,从样本集中提取恶意代码图像特征、指令语句中的频度特征;其次,为确保准确率的提高,将上述两类特征进行融合,训练深度信念网络模型中的限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)和反向传导算法(Back Propagation,BP).实验结果表明,提出的深度信念网络模型对恶意代码的分类平均准确率可达95.7%,明显高于传统浅层机器学习模型KNN的94.5%.

自然语言处理项目式教学策略探究

结合地方院校的特点,发挥鄂东南地区的战略地位与优势,在目前人工智能概论课程的基础上,增加课程互动环节、翻转课堂,探索在新形势下进行自然语言处理项目式教学,为数据科学与大数据技术专业的开展奠定坚实的基础。

基于实时流式计算系统的数据分类节能策略

为解决实时流式计算中数据存储的能耗问题,采用内存分类存储的思想,提出数据分类策略(data classification strategy,DCS)。将内存存储划分为实时文件区与重复文件区;针对实时文件区中的数据,通过降低预存储区(precharge fast powerdown,PRE zone)的峰值电压,关闭大量的数据节点,使服务器预存储区的部分数据进入不常用文件区,通过布隆过滤器(Bloom filter)过滤重复文件区的重复数据。实验结果表明,该策略在存储方面有效节能约27.2%,提高了系统的效率。

面向新文科学生的计算机基础实验教学探究

传统的计算机基础教学偏重于传统办公自动化三件套或者程序设计语言基础,而目前新形势下基于工程认证、面向产出的理念,不再拘泥于传统计算机使用和程序设计语言基础,更重要的是培养学生运用计算机解决不同专业背景领域问题的问题分析、模型求解、算法设计能力,并促使学生形成计算思维能力,为后续课程的学习打下坚实的基础。

尿蛋白PEG透析浓缩法醋纤薄膜电泳

尿液内蛋白质量的多少,不能正确反映肾功能病变的严重程度。正常情况下,肾小球渗透极微量的蛋白质(约0.05％),主要是分子较小的蛋白质。

火龙碗

今天，妈妈给我买了一个火龙果。 我拿起刀迫不及待地切开它，它的果肉是白色的，夹杂着一些黑点点，像点心上的黑芝麻。我拿起勺子，