【摘要】：只要使用互联网，木马、蠕虫、间谍软件和僵尸网络等恶意软件都可以使计算机陷入瘫痪，网络罪犯利用这些软件可以获取非法利益。Invincea实验室的Joshua Saxe和Konstantin Berlin使用深度神经网络识别恶意软件。Joshua和Konstantin使用超过400000个二进制文件来测试他们的模型，这些数据是直接从他们的客户和内部恶意软件存储库中获得的。他们在0.1%的假阳性情况下检出率为95%。图2.2 Hussain的除雾DNN算法图2.3 样本sain的去雾DNN算法该如何解释使用深度神经网络获得的优秀结果呢？
只要使用互联网，木马、蠕虫、间谍软件和僵尸网络等恶意软件都可以使计算机陷入瘫痪，网络罪犯利用这些软件可以获取非法利益。
如果有了文件备份，可以避免经济损失，然而，恶意软件浪费了时间，造成恐慌和焦虑，因为文件的恢复需要数天时间。这样的攻击不仅影响个人的合法业务，还影响了企业，甚至政府的正常运转。尽管已经采取了许多方法进行遏制，但这些恶性活动仍然十分猖獗。
Invincea实验室的Joshua Saxe和Konstantin Berlin使用深度神经网络识别恶意软件。他们所使用DNN的结构由一个输入层、两个隐藏层和一个输出层组成。输入层有1024个输入特征，隐藏层各有1024个神经元。Joshua和Konstantin使用超过400000个二进制文件来测试他们的模型，这些数据是直接从他们的客户和内部恶意软件存储库中获得的。
他们在0.1%的假阳性情况下检出率为95%。真正了不起的是，通过直接学习所有二进制文件来达到这些结果，没有进行任何滤波、拆包或手动将二进制文件分类等操作，这是令人震惊的！
(www.xing528.com)
图2.2 Hussain的除雾DNN算法
图2.3 样本sain的去雾DNN算法
该如何解释使用深度神经网络获得的优秀结果呢？研究人员评论道：“神经网络有多种属性，适用于恶意软件检测。首先，深度神经网络允许增量学习，因此，深度神经网络不仅可以分块训练，而且可以高效地再训练，直到收集到新的训练数据；其次，通过单层的预训练，可以把标记和未标记的数据组合起来；第三，分类器非常紧凑，所以，在使用少量内存的情况下，可以快速进行预测。”
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
