[发明专利]神经网络木马病毒防御方法、装置、电子设备及存储介质

权利要求书

1.一种神经网络木马病毒防御方法，其特征在于，包括：

获取目标网络的训练数据集，所述训练数据集包括有一定量的训练用图片；

通过预先训练的有效区域筛选器对每个所述训练用图片进行筛选，以去除每个所述训练用图片中用于设置木马病毒的无效区域，得到筛选后的训练数据集；

通过所述筛选后的训练数据集对所述目标网络进行训练。

2.根据权利要求1所述的方法，其特征在于，所述有效区域筛选器通过以下方法训练：

获取安全数据集，所述安全数据集包括有一定量的未设置有木马病毒的安全图片；

通过数据分割算法对每个所述安全图片进行分割，以将每个所述安全图片均划分出有效区域和无效区域；

对于每个所述安全图片，将该安全图片的所述有效区域作为对应的标签，以得到标记后的安全数据集；

使用所述标记后的安全数据集训练得到所述有效区域筛选器。

3.根据权利要求2所述的方法，其特征在于，通过数据分割算法对每个所述安全图片进行分割，以将每个所述安全图片均划分出有效区域和无效区域，具体包括：

对所述安全图片进行卷积，得到特征数据；

对于所述特征数据进行反卷积，得到与原始的所述安全图片的大小相同的处理后图片；

根据所述处理后图片包括的各像素的颜色，进行所述有效区域和所述无效区域的划分。

4.根据权利要求1所述的方法，其特征在于，所述有效区域筛选器包括：

输入层、第一卷积层、第一修正线性单元函数层、第二卷积层、第二修正线性单元函数层、第一池化层、第三修正线性单元函数层、第三卷积层、第四修正线性单元函数层、第二池化层、全连接层、Dropout层和输出层。

5.根据权利要求4所述的方法，其特征在于，

所述第一卷积层、所述第二卷积层和所述第三卷积层均进行特征检测；

所述第一池化层和所述第二池化层均用于进行特征突出；

所述全连接层用于将不同特征的所述安全的数据进行分类；

所述Dropout层用于防止训练的过拟合；

所述第一修正线性单元函数层、所述第二修正线性单元函数层和所述第三修正线性单元函数层均用于作为激活函数提高训练速度。

6.根据权利要求1所述的方法，其特征在于，所述去除每个所述训练用图片中用于设置木马病毒的无效区域，具体包括：

确定所述训练用图片的有效区域和无效区域；

保持所述有效区域内的全部像素不变，并将所述无效区域内的全部像素置为0。

7.根据权利要求1所述的方法，其特征在于，还包括：

获取预测用图片；

通过所述有效区域筛选器对所述预测用图片进行筛选，得到筛选后的预测用图片；

将所述筛选后的预测用图片输入训练好的所述目标网络，得到所述目标网络输出的预测结果。

8.一种神经网络木马病毒防御装置，其特征在于，包括：

训练数据集获取模块，被配置为获取目标网络的训练数据集，所述训练数据集包括有一定量的训练用图片；

有效区域筛选模块，被配置为通过预先训练的有效区域筛选器对每个所述训练用图片进行筛选，以去除每个所述训练用图片中用于设置木马病毒的无效区域，得到筛选后的训练数据集；

目标网络训练模块，被配置为通过所述筛选后的训练数据集对所述目标网络进行训练。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。