恶意代码检测方法中的机器学习与深度学习应用研究

李 一鸣, 谢 涛, 梅 东冬
宁夏理工学院 宁夏石嘴山 753000

摘要

机器学习和深度学习技术在恶意代码检测方面的应用研究越来越受关注。这些技术可以通过对大量样本进行训练，自动学习和提取恶意代码特征，从而实现准确和高效的恶意代码检测。机器学习方法包括传统的特征工程和分类器技术，如支持向量机和随机森林，可以应用于恶意代码检测中。深度学习技术则利用深度神经网络进行自动特征抽取和分类，实现更高的检测准确率。此外，还有一些创新技术如增强学习和迁移学习在恶意代码检测中的应用，进一步提高了检测效果。尽管存在一些挑战，但机器学习和深度学习在恶意代码检测领域具有广阔的应用前景。

关键词

检测方法；机器学习；深度学习

参考

[1] 安 磊 , 韩 忠 华 , 林 硕 , 尚 文 利 . 面 向 网 络 入 侵 检 测 的GAN-SDAE-RF 模型研究[J].计算机工程与应用, 2021(155-164).[2]王力,曾文,张运良,等.科技前沿识别体系中的机器学习应用问题[J].科技管理研究, 2023, 43(6):27-35.[3]高琪琪,师智斌,覃月明,et al.基于 API 序列的可解释恶意代码检测方法[J].计算机工程与设计, 2023, 44(6):1642-1648.[4]GAO Bo,DONG Zengbo,LI Fei,等.基于深度学习与改进负荷行为关联图的农业用户非侵入式负荷分解方法[J].电工电能新技术, 2024, 43(1):72-84.[5]马丹,万良,程琪芩,et al.Attention-CNN 在恶意代码检测中的 应 用 研 究 [J]. 计 算 机 科 学 与 探 索 , 2021, 15(4):12.DOI:10.3778/j.issn.1673-9418.2004069