基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

韦伯分布布谷鸟搜索算法颗粒粒径分布反演

韦伯分布在非线性寻优问题中具有较好的寻优精度和全局搜索能力,为此提出一种基于韦伯分布的布谷鸟搜索（WCS）算法来解决颗粒粒径分布反演的问题。使用WCS算法对服从Johnson’s S_B分布、Rosin-Rammler分布和正态分布的单峰颗粒系和双峰颗粒系进行颗粒粒径分布的反演,并分别与其他传统算法的处理结果进行比较。结果表明,WCS算法的整体效果优于人工鱼群算法和人工蜂群算法,且改进后的4种重尾分布CS算法的标准差比原CS算法提升2～3个数量级。目标函数散射光能加入噪声后,WCS算法比其他三种重尾分布的相对均方根误差值至少可降低1/2。使用小角前向散射测量系统对单峰颗粒系和双峰混合颗粒系进行实验研究,发现WCS算法的相对均方根误差比原CS算法降低约为40%。