CasKDNet:基于改进DenseNet的恶意代码分类方法
刘强1
王坚2
路艳丽2
王艺菲2
1.空军工程大学防空反导学院,西安,710051;空军工程大学研究生院,西安,7100512.空军工程大学防空反导学院,西安,710051
摘要：针对现有恶意代码可视化分类模型在精度和鲁棒性方面的不足,提出一种基于改进DenseNet的恶意代码可视化分类方法CasKDNet,通过3项关键技术实现精度和鲁棒性的提升.首先,构建级联分类器结构,增强纹理相似家族的特征区分能力;其次,采用KAN结构替代DenseNet网络中的多层感知机,优化特征提取过程的非线性表达能力,提升模型整体精度;最后,基于FFM图像修复算法对训练集进行数据增强,提高模型鲁棒性.在恶意代码数据集Malimg上的实验结果显示,CasKDNet模型取得99.69％的分类准确率,与现有研究方法相比具有明显性能优势.此外,在白盒攻击背景下,FGSM和I-FGSM算法对CasKD-Net 的攻击成功率仅为12.7％和37.5％,进一步证实了模型在防范对抗性攻击方面的有效性.
关键词：恶意代码级联分类器KANFFM算法对抗性攻击
分类号：TP309(计算技术、计算机技术)
资助基金：国家自然科学基金(61806219)国家自然科学基金(61703426)国家自然科学基金(61876189)陕西省高校科协青年人才托举计划项目(20190108)陕西省高校科协青年人才托举计划项目(20220106)陕西省创新能力支撑计划项目(2020KJXX-065)
论文发表日期：2025-08-30
在线出版日期：2025-08-21（本平台首次上网日期，不代表文献的发表时间）
页数：10( 110-119 )
英文信息