[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

说明书

本发明属于移动安全技术领域，具体为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。本发明包括：针对智能芯片小核，设计浅层模型结构，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；针对智能芯片大核，设计深层模型结构，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；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，实现对恶意软件的高效检测；本发明实现了移动设备端即时可靠、高效低耗的恶意软件检测。

技术领域

本发明属于移动安全技术领域，具体涉及移动端恶意软件实时检测方法。

背景技术

当前移动设备面临严峻的恶意软件威胁。当前恶意软件类别丰富、行为多种多样，部分恶意软件还可能对用户造成巨大的经济损失，威胁移动系统生态。在与传统反病毒方法不断对抗的同时，恶意软件也在快速进化，目前恶意软件的发展呈现出高级化、组织化、规模化的趋势，这给传统的检测方法带来了巨大的挑战。

移动端侧防御亟需一种高效低耗的实时检测方案。由于移动端资源有限，移动端侧对于恶意软件的深度检测受到极大的限制。端侧传统的基于特征签名匹配的恶意软件检测方法存在响应周期长，分析成本高、易被逃逸等问题，无法有效的解决移动应用安全问题。随着移动软件技术和硬件设备的发展，移动端提供一种基于机器学习技术检测恶意软件的智能场景服务。这种方案响应更及时，并能有效的防止恶意应用的对抗逃逸。但这个方案存在着检测效果与资源消耗上的矛盾，对于复杂的检测任务，模型结构简单，则很难达到任务期望指标；模型结构复杂，则需要大量的算力和资源。同时，移动端智能服务场景下，传统的机器学习模型受硬件架构、芯片能力和功耗的限制，无法长时间持续的使用机器学习模型，实时响应移动端的智慧服务请求。可见，目前移动端侧缺少一种既能保证低能耗，又能提供高质量服务的深度恶意软件检测方案。并且想要实现这样的方案，需要同时兼顾软件架构与硬件能力。

AI智能芯片分级架构设计为移动端防御高效方案提供支持。目前，移动设备端支持AI运算的芯片往往采用分级架构设计，为低能耗、高质量的深度恶意软件检测方案提供了硬件资源。移动端侧AI智能芯片分级架构一般包含一个高算力大核和一个低功耗小核，如对于一个包含GPU(Graphics Processing Unit)和NPU(Neural network ProcessingUnit)的芯片架构，可以将GPU作为大核，NPU作为小核；华为推出的移动端智能芯片则提供了NPU lite作为大核,NPU tiny作为小核。智能芯片大核实现卓越的计算性能，提供全面智慧场景的支持，小核实现超低功耗，提供持续的、实时的智慧场景支持。本发明充分利用AI智能芯片能力，基于智能芯片分级架构设计合理的机器学习模型架构，将能有效解决移动端侧恶意软件检测面临的问题。

发明内容

本发明的目的在于针对适配智能芯片分级架构设计，充分挖掘智能芯片大小核能耗优化能力，为移动端提供一种高能效比的基于深度学习的恶意软件检测方法。

本发明针对端侧AI智能芯片分级架构，设计适配智能芯片的深度学习分层模型。本发明深度学习模型架构如图1所示，其中智能芯片分级架构包含智能芯片小核和大核，相应的，深度学习分层模型结构包含浅层模型与深层模型分别进行适配。同时两层模型协同工作，共同完成深度恶意软件检测，挖掘智能芯片能力，实现移动端高能效检测。

本发明根据小核低功耗、持续工作的特点，设计轻量的浅层模型，用于实时完成恶意软件检测中的简单子任务，检测应用中发生的敏感行为。根据大核高算力、多兼容的特点，设计深度模型，精准完成恶意软件检测中的复杂任务，检测软件恶意行为。浅层模型用于实时地、持续地检测应用行为中的敏感行为，当检出敏感行为时才唤醒深层模型进行判别。两层模型的结构持续运行低功耗的浅层模型，只在必要时候唤醒高能耗高精度的深层模型工作。相较于同场景下传统的频繁唤醒复杂单模型的方案，具有响应速度更快，平均功耗更低的优势。

本发明提出的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，基本步骤为：