专利交易市场

本发明属于网络安全和机器学习技术领域，公开了一种基于多维度特征学习与特征聚焦的恶意命令行检测方法，包括对待检测命令行的参数输出高维特征；将基础特征分别输入多个带动态膨胀率的膨胀卷积得到多个分支特征；将分支特征与基础特征进行融合得到初步融合特征；采用激活函数根得到层级渐进式融合特征；对层级渐进式融合特征进行自适应平均池化操作；采用多层感知器提取注意力权重，将注意力权重与层级渐进式融合特征进行融合，得到聚焦特征；对所有聚焦特征进行加权融合，得到最终的命令行特征，利用检测模型学习命令行特征，输出检测结果，所述检测结果为恶意命令行或正常命令行。本发明全面有效提取命令行参数的特征，提升命令行检测精度。

本发明涉及恶意软件检测技术领域，具体为一种基于行为分析的恶意代码检测方法，包括以下步骤：监控系统事件流和进程资源占用数据，采用固定时间间隔采样捕获网络数据包到达时间间隔、CPU占用率波动、目标文件锁争用状态和鼠标光标像素位置。本发明通过监控网络数据包到达时间间隔、CPU占用率波动、目标文件锁争用状态和鼠标光标像素位置等多维度的系统事件流与进程资源占用数据，并计算不同事件流之间的互信息熵，能够揭示出传统检测方法无法感知的隐藏关联。此种方式不再局限于分析单个进程的孤立行为，而是通过量化看似无关事件间的统计依赖性，捕获恶意软件利用隐蔽信道进行通信或数据渗漏时产生的微弱信号。

本发明涉及一种跨平台恶意代码检测方法及系统，包括：(1)使用多个平台上良性程序样本，训练一个预训练模型来捕捉程序指令上下文中的结构、语义相关性以及不同平台程序指令间的结构、语义共性；(2)在预训练模型之上，使用多个平台有限规模的良性程序样本和恶意程序样本构建跨平台恶意代码检测模型，对跨平台恶意代码检测模型进行参数微调，将预训练模型中的知识迁移到跨平台恶意代码检测模型中；(3)使用构建的跨平台恶意代码检测模型，对不同平台上的未知程序样本进行检测，判断其为恶意或良性。本发明使用多个平台的程序样本进行模型训练，充分利用不同平台程序在结构、语义上下文上的共性，缓解了单一平台恶意代码训练样本不足的问题。

本发明涉及基于软件基因和改进Siamese网络的恶意代码检测方法，包括：数据预处理，对待检测的代码文件进行静态分析和动态分析，提取基础特征；将基础特征转化为基因片段，并映射为基因表达，构建代码的基因序列；利用改进的Siamese网络，将提取的基因序列与已知恶意代码基因库进行相似度比对，得到相似度计算结果；根据相似度计算结果，判断代码文件是否包含恶意基因特征，若检测出的恶意代码则进一步确定其所属的恶意代码家族；根据检测结果，更新和优化恶意代码基因库，使恶意代码基因库覆盖最新的恶意代码样本和变种特征。本发明通过对恶意代码基因特征与AI模型的结合，显著提升了恶意代码检测任务的效果。

本发明涉及基于Hash函数和FPN‑Transformer恶意代码分类方法，使用哈希函数对待分类的代码文件数据进行压缩处理，降低特征数据的维度并减少噪声；将特征金字塔网络FPN和Transformer模型相结合，构建FPN‑Transformer模型，为多层回归特征提取模型提供多层次和多视角的特征数据；利用多层回归特征提取模型对FPN‑Transformer模型提取的不同层次的特征进行综合和融合，根据融合结果输出最终的代码分类结果。本发明通过对数据特征的有效压缩与高效提取，显著提高了恶意代码分类任务的性能和实用性；通过自相关矩阵分类器进行特征融合与分类，优化了模型在实际应用中的准确性和泛化能力。

本发明公开的属于网络安全技术领域，具体为一种基于恶意代码动态取证模型的恶意代码检测方法，包括具体步骤如下：步骤一：获取待检测的代码序列流；步骤二：基于3‑Gram特征生成方法并利用滑动窗口技术在所述代码序列流上滑动提取出每个待测样本的动态行为特征向量，本发明通过恶意代码检测模型实现了对代码序列的初检，即恶意代码和非恶意代码的初步鉴别，再利用聚类分簇的手段，将初检出恶意代码的未知序列进行聚类，利用同一簇类下待测样本对应的恶意代码分类应当一致的机理进一步鉴别是否为恶意代码，通过双重鉴别大幅度提高了恶意代码的检测精度。

本发明涉及一种android应用程序恶意性的静态检测方法，属于Android平台下应用程序安全性检测技术领域。该方法首先通过计算偏相关系数对Android应用程序权限特征属性进行相关性分析，达到对权限特征集进行降维预处理的目的；其次利用互信息和笛卡尔积方法，对降维后的权限特征集进行相关性聚类去冗余，并设定阈值，避免过拟合的现象，以此得到新的分类权限特征集的集合Xnew，达到权限聚类后的权限特征集之间几乎是相互独立关系的目的；最后，在权限聚类后的基础上，构建朴素贝叶斯分类器，并对其进行改进，达到能使应用程序分类决策相关性高，进而提高Android应用程序恶意性检测的可靠性。