[发明专利]适配智能芯片分级架构的基于深度学习的恶意软件检测方法

权利要求书

1.一种适配智能芯片分级架构的基于深度学习的恶意软件检测方法，其特征在于，基本步骤如下：

(一)针对智能芯片小核，设计第一层浅层模型结构，并根据小核特性进行模型优化；该浅层模型用于实时完成恶意软件检测中的简单任务，检测应用中发生的敏感行为；

(二)针对智能芯片大核，设计第二层深层模型结构，并根据大核特性进行优化；深层模型用于精准完成恶意软件检测中的复杂任务，检测软件恶意行为；

(三)深度学习模型的协同，实现对恶意软件的高效检测；

步骤(一)中，所述浅层模型采用卷积神经网络结构(CNN)，为适配智能芯片小核，保证浅层模型在低功耗下持续运行，在浅层模型中，设置较小的模型层数与参数，降低模型的计算量；

所述模型优化包括损失函数优化和量化优化；

(1)损失函数优化

利用检出率和精确率之间的平衡性，适当牺牲精确率来保证高的检出率，避免出现浅层模型漏报敏感行为的情况；

通过优化损失函数，在模型训练中过程中赋予敏感行为被漏判时更高的惩罚，保证敏感行为尽可能地被浅层模型检出；

(2)量化优化

量化优化可使模型的尺寸更小，推断更快，耗电更低，适配智能芯片小核，以满足在较低的计算能力、受限内存和电量消耗的周边设备中应用机器学习的需求；具体地，对于模型每一层的参数，用8位的整数模拟32位的浮点数，并对每一层的输入进行定制量化，层内使用整数加速运算，对输出进行反量化，保证输出值符合规范；

步骤(二)中，所述深层模型采用门控循环神经网络结构(GRU)；在深层模型中赋予更丰富的输入上下文信息，使其充分考察应用行为信息做出准确推断，弥补浅层模型在小算力、低功耗限制下能力的不足；

所述模型优化，使采用Boosting训练方法；具体地，对于浅层模型，根据模型结果调整数据，设置浅层模型中未被检测出的敏感行为数据更高的权重，然后将数据提供给深层模型进行训练；

步骤(三)中，两层模型采用瀑布融合型方法协同工作；并且，两层模型采用的线性加权融合的方式进行判别，具体地，为两层模型分配适当的权重，协同判别过程将对两层模型判别结果进行加权求和得出最终的结果；同时引入动态参数，对模型权重加入反馈机制，通过训练用户反馈、远程调配等方式调整模型权值，使两层模型的协同更合理准确，从而对应用行为进行全面准确的评估。

2.根据权利要求1所述适配智能芯片分级架构的基于深度学习的恶意软件检测方法，其特征在于，步骤(一)中所述损失函数优化，是使用logisticloss作为损失函数；记预测样本数为N，预测结果为真实标签为y,恶意样本记为0，正常样本记为1，则损失函数如下：

针对该损失函数，增加恶意样本预测错误的误差权重，以保证模型对恶意样本预测的准确性；记该权重值为α，则损失函数如下：

设置α1，赋予恶意样本预测错误时更高的惩罚。

3.根据权利要求1所述适配智能芯片分级架构的基于深度学习的恶意软件检测方法，其特征在于，步骤(一)中所述量化优化， 是使用8bit量化对浅层模型进行进一步优化，以降低模型功耗，具体步骤如下：

(1)统计模型参数范围，根据参数范围设置映射函数；

(2)使用映射函数，将模型参数映射至0～256，完成模型网络量化；

(3)对给定的float输入，使用映射函数将输入进行量化映射；

(4)将输入带入量化后的网络，进行计算；

(5)将得到的量化输出进行逆映射，完成反量化得到最终输出。