基于模型组合的网络迭代识别法

针对当前常用的多层神经网络优化算法只能获得局部极值,算法性能与初始值有关,以及网络获得的参数与实际任务的关联性非常模糊等问题,提出了一种基于模型组合的网络迭代法(LDKB),以较小速度损失,实现模型间的有效联合,强化变量间的关联性,提升整体精度。LDKB引用PDCA循环工作法的概念,以完成模型间的自动迭代。同时,在训练模型中数据流正向传播过程中,用输出信息比较剔除方法,剔除非重要BP神经网络的学习信息,以提高循环过程中剪枝容错性。结果表明,相比单个决策树模型,LDKB的影响识别精度持续提高;相对单个神经网络模型,LDKB模型的识别性保持最佳。

识别恶意软件中的加密函数

针对恶意软件通过加密函数规避安全检测和流量分析这一问题,提出了一种识别恶意软件中加密函数的方法。通过识别恶意软件动态执行路径中的循环、循环的输入和输出参数,构建恶意软件的动态循环数据流图,通过循环数据流图提取循环的输入和输出参数集合,设计已知加密函数的参考实现对循环输入集合中的元素进行运算,判断输出是否能够匹配输出集合中的元素从而识别恶意软件中的加密函数。实验证明此分析方法能够分析严重混淆的恶意软件其传输载荷所采用的加密函数。