深度学习驱动的恶意代码家族检测：CNN_BiLSTM方法揭秘

本文主要探讨了"基于CNN-BiLSTM的恶意代码家族检测技术"这一研究主题，发表在《计算机工程与应用》(Computer Engineering and Applications)上，该杂志的ISSN号为1002-8331，CN号为11-2127/TP。由王国栋、芦天亮、尹浩然和张建岭四位作者合作完成，并于2020年1月8日通过网络首发。文章的研究背景关注于提升恶意代码的检测效率和准确性，特别是在处理恶意代码家族分类问题上，结合了卷积神经网络(Convolutional Neural Networks, CNN)和双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM)这两种先进的深度学习模型。 CNN-BiLSTM模型的应用旨在提取恶意代码的特征表示，利用CNN的局部感知能力和BiLSTM的时间序列建模能力，能够更好地捕捉代码中的模式和动态变化。这项技术对于网络安全领域至关重要，因为能够帮助系统实时识别并阻止未知恶意代码家族的攻击。 论文的录用过程遵循严格的出版规定，包括录用定稿、排版定稿和整期汇编定稿阶段，确保内容的原创性、科学性和规范性。录用定稿在网络上发布后，其严肃性不容许随意修改，仅限于编辑规范内的文字修订。文章的网络首发是基于《中国学术期刊（网络版）》这一国家级的电子平台，其作为连续出版物，具有正式出版的效力。 作者的研究工作得到了国家自然科学基金项目(No.61602489)和"十三五"国家密码发展基金密码理论研究重点课题(No.MMJJ20180108)的支持，以及中国人民公安大学校内基科费项目的资助(No.2018JKF212)。这表明作者的研究得到了学术界的认可，并且与实际安全领域的应用紧密结合。 这篇论文不仅介绍了创新的恶意代码家族检测方法，而且强调了科研成果的严谨性和实际应用价值，对于提升网络安全防御体系具有重要意义。