一种基于三通道图像的恶意软件分类方法

针对传统恶意软件采用图像分类方法准确率不高、抗混淆能力弱、模型训练收敛慢的缺点,本文对恶意软件图像表示方法进行改进,将恶意软件、字节Bigram、Lst文件转化成3种灰度图像,将3种灰度图像组合成三通道彩色图像进行分类,并将图像分类效果好的EfficientNet模型用于恶意软件图像分类。结合迁移学习领域中的微调技术将ImageNet数据集的分类权重应用于EfficientNet,提高模型的收敛速度和分类效果,减少模型的训练开销。实验表明在微调技术下模型收敛速度快于预训练,且微调后的最优模型对20种恶意软件的分类准确率达到97.22%。相比ResNet、VGG16等网络,本文的模型具有参数量和浮点运算次数少、准确率高的优点。