基于集成学习的恶意代码动态检测方法.pdfVIP

2025年第1期技术研究

doi：10.3969/j.issn.1671-1122.2025.01.014

基于集成学习的恶意代码动态检测方法

刘强1,2，王坚1，王亚男1，王珊3

（1.空军工程大学防空反导学院，西安710051；2.空军工程大学研究生院，西安710051；3.中国人民解放军94789部队，

南京210018）

摘要：在当前网络环境中，不断升级的恶意代码变种为网络安全带来了巨大挑战。

现有的人工智能模型虽然在恶意代码检测方面成效明显，但仍存在两个不可忽视的缺点。

一是泛化能力较差，虽然在训练数据上表现优异，但受概念漂移现象的影响，在实际测

试中性能不够理想；二是鲁棒性不佳，容易受到对抗样本的攻击。为解决上述问题，文

章提出一种基于集成学习的恶意代码动态检测方法，根据API序列的不同特征，分别构

建统计特征分析模块、语义特征分析模块和结构特征分析模块，各模块针对性地进行恶

意代码检测，最后融合各模块分析结果，得出最终检测结论。在Speakeasy数据集上的

实验结果表明，与现有研究方法相比，该方法各项性能指标具有明显优势，同时具有较

好的鲁棒性，能够有效抵抗针对API序列的两种对抗攻击。

关键词：恶意代码检测；n-gram算法；Transformer编码器；图神经网络；对抗性

攻击

中图分类号：TP309文献标志码：A文章编号：1671-1122（2025）01-0159-14

中文引用格式：刘强，王坚，王亚男，等.基于集成学习的恶意代码动态检测方法[J].信息网络安全，

2025，25（1）：159-172.

英文引用格式：LIUQiang,WANGJian,WANGYanan,etal.ADynamicMalwareDetectionMethodBased

onEnsembleLearning[J].NetinfoSecurity,2025,25(1):159-172.

ADynamicMalwareDetectionMethodBasedonEnsembleLearning

1,2113

LIUQiang,WANGJian,WANGYanan,WANGShan

(1.SchoolofAirDefenseandAntimissile,AirForceEngineeringUniversity,Xi’an710051,China;2.Graduate

SchoolofAirForceEngineeringUniversity,Xi’an710051,China;3.94789TroopofPLA,Nanjing210018,China)

Abstract:Inthecurrentnetworkenvironment,constantlyupgradingvariantsof

maliciouscodeposesignificantchallengestonetworksecurity.Althoughexistingartificial

intelligencemodelshaveshownsignificanteffectivenessindetectingmaliciouscode,there