轻量级CNN与恶意软件家族分类：降低计算成本，提升99.32%准确率

本研究论文主要探讨了在恶意软件家族分类中采用轻量级卷积神经网络（CNN）模型以解决计算资源消耗大的问题。当前，许多基于CNN的恶意代码分类方法由于其复杂的架构和大量的参数，导致在实际应用中计算负担较重。为了优化这个情况，研究人员提出了一个创新的解决方案，即构建一个结合恶意代码可视化和轻量级CNN模型——Mobilenet v2的系统。 首先，恶意软件被转换成灰度图像，这种图像表示了不同恶意代码在代码结构上的相似度。通过灰度图的相似度，可以更好地衡量同一家族恶意软件之间的关联性。接着，研究人员利用深度可分离卷积（Separable Convolution）技术，这使得Mobilenet v2模型在保持高精度的同时显著减少参数数量和计算需求。这种设计有助于提升模型的效率，特别是在资源有限的设备上运行时。 Mobilenet v2被训练来自动提取恶意代码的纹理特征，这些特征是识别恶意软件家族的重要依据。随后，Softmax分类器被用于对恶意代码进行家族分类，最终的目标是提高分类的准确性。实验结果显示，该模型在恶意代码家族分类任务上表现出色，平均准确率达到了99.32%，相较于经典恶意代码可视化模型有2.14个百分点的提升。 论文强调了这一模型在实际应用中的优势，尤其是在计算资源有限或实时性要求高的场景下。通过使用轻量级CNN，它能够在保持高准确性的前提下，显著降低分类过程中的计算开销和内存占用，这对于恶意软件检测和防御具有重要的实际意义。此外，本文的工作也为其他领域中对计算效率和性能优化的深度学习模型设计提供了有价值的参考。