您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202104-44
论文题目 基于深度学习的恶意代码分类方法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于深度学习的恶意代码分类方法

首发时间:2021-04-07

李嘉琪 1   

李嘉琪(1996-),男,硕士研究生,网络空间安全

刘建毅 1   

刘建毅(1980-),男,副教授,硕导,数字内容安全、智能信息处理、数据挖掘

  • 1、北京邮电大学网络空间安全学院,北京 100876

摘要:现阶段用于恶意代码分类的深度学习网络对恶意代码的尺寸都有着统一的大小要求,在将恶意代码转化为灰度图像的基础上,利用空间金字塔池化代替传统网络中的池化层,使得神经网络能够接受不同大小的图像尺寸作为输入,并结合使用了深度可分离卷积的深度残差模块完成了恶意代码图像的家族分类,对9个不同的恶意代码家族样本进行了实验验证,并在此基础上对恶意代码图像化的最佳宽度进行了探讨。实验结果表明,该方法能够对不同大小的恶意代码图像进行统一分类处理,且具有正确率高、计算量低的特点。

关键词: 恶意代码图像 深度学习 图像分类 空间金字塔池化

For information in English, please click here

Malicious code classification method based on deep learning

LI Jiaqi 1   

李嘉琪(1996-),男,硕士研究生,网络空间安全

LIU Jianyi 1   

刘建毅(1980-),男,副教授,硕导,数字内容安全、智能信息处理、数据挖掘

  • 1、College of Cyberspace Security, Beijing University of Posts and Telecommunications, Beijing 100876

Abstract:At present, the deep learning network for malicious code classification has a uniform size requirement for malicious code. On the basis of converting malicious code into gray image, the spatial pyramid pooling is used to replace the pooling layer in the traditional network, so that the neural network can accept different sizes of image as input, and combined with the use of depth separable convolution The deep residual module of this paper completes the classification of malicious code image family, and carries out experimental verification on nine different samples of malicious code family. On this basis, the optimal width of malicious code image is discussed. Experimental results show that this method can classify malicious code imagMalicious code classification method based on deep learninges of different sizes uniformly, and has the characteristics of high accuracy and low computation.

Keywords: Malicious code image deep learning classification spatial pyramid pooling

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
李嘉琪,刘建毅. 基于深度学习的恶意代码分类方法[EB/OL]. 北京:中国科技论文在线 [2021-04-07]. http://www.paper.edu.cn/releasepaper/content/202104-44.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于深度学习的恶意代码分类方法