本發(fā)明屬于惡意代碼檢測識別，具體涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、隨著物聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，越來越多的包括智能家居設(shè)備、可穿戴設(shè)備以及工業(yè)控制系統(tǒng)在內(nèi)的設(shè)備被連接到互聯(lián)網(wǎng)。物聯(lián)網(wǎng)設(shè)備的普及帶來了便利和效率的提升，但也引發(fā)了嚴(yán)重的安全問題。特別是使用安卓系統(tǒng)的物聯(lián)網(wǎng)設(shè)備，由于其開放性和廣泛應(yīng)用，成為了惡意代碼攻擊的主要目標(biāo)。這些惡意代碼可以以多種形式存在，包括但不限于病毒、蠕蟲、木馬、間諜軟件和勒索軟件等。這些惡意程序利用物聯(lián)網(wǎng)設(shè)備的安全漏洞，進行數(shù)據(jù)竊取、設(shè)備控制、分布式拒絕服務(wù)（ddos）攻擊等活動，給個人隱私和組織安全帶來嚴(yán)重威脅。因此，探索更加高效、準(zhǔn)確的惡意代碼檢測方法成為當(dāng)前研究的重要課題。

3、圖神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域的一個分支，在處理具有復(fù)雜關(guān)系結(jié)構(gòu)的數(shù)據(jù)集方面展現(xiàn)出了強大能力，如社交網(wǎng)絡(luò)分析、化學(xué)分子結(jié)構(gòu)預(yù)測等。在惡意代碼檢測領(lǐng)域，惡意代碼往往通過復(fù)雜的網(wǎng)絡(luò)活動和進程交互來執(zhí)行其功能，這些可以被建模為節(jié)點和邊組成的圖，而圖神經(jīng)網(wǎng)絡(luò)可以通過捕捉節(jié)點間的關(guān)系以及節(jié)點屬性，從而進行惡意代碼分析。然而，在處理大規(guī)模的圖結(jié)構(gòu)的數(shù)據(jù)集時，由于圖結(jié)構(gòu)比較龐大且復(fù)雜，直接對其分析是不太現(xiàn)實的，尤其對于一些計算資源等比較匱乏的物聯(lián)網(wǎng)設(shè)備。另外，圖神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用中存在一個顯著的問題，即過度平滑問題。隨著網(wǎng)絡(luò)層數(shù)的增加，節(jié)點的表示趨于一致，導(dǎo)致節(jié)點特征的多樣性喪失。這種現(xiàn)象會影響模型的區(qū)分能力，使得后續(xù)的學(xué)習(xí)任務(wù)難以進行。因此，解決圖神經(jīng)網(wǎng)絡(luò)模型的過度平滑問題是非常必要的。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法及系統(tǒng)，采用圖剪枝算法簡化圖結(jié)構(gòu)，在圖卷積層中加入跳躍節(jié)點算法以改進圖神經(jīng)網(wǎng)絡(luò)模型的性能，在提升物聯(lián)網(wǎng)惡意代碼檢測準(zhǔn)確率的同時提高檢測效率。

2、根據(jù)一些實施例，本發(fā)明的第一方案提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，采用如下技術(shù)方案：

3、一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，包括：

4、獲取物聯(lián)網(wǎng)代碼數(shù)據(jù)集；

5、提取所獲取的物聯(lián)網(wǎng)代碼數(shù)據(jù)集的數(shù)據(jù)特征，得到特征向量數(shù)據(jù)集；

6、考慮虛擬節(jié)點，對所得到的特征向量數(shù)據(jù)集進行剪枝處理，得到簡化圖結(jié)構(gòu)；

7、在圖卷積層中加入跳躍節(jié)點算法，構(gòu)建圖神經(jīng)網(wǎng)絡(luò)檢測模型；

8、根據(jù)所構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)檢測模型和簡化圖結(jié)構(gòu)，進行物聯(lián)網(wǎng)惡意代碼的檢測。

9、作為進一步的技術(shù)限定，在提取所獲取的物聯(lián)網(wǎng)代碼數(shù)據(jù)集的數(shù)據(jù)特征的過程中，采用集成工具解析獲取的數(shù)據(jù)集中的每一個文件，提取每個樣本的函數(shù)調(diào)用圖。

10、進一步的，基于所提取到的函數(shù)調(diào)用圖，進行函數(shù)調(diào)用圖每個節(jié)點相關(guān)屬性的分配，得到每個節(jié)點相對應(yīng)的特征向量；根據(jù)所得到的每個節(jié)點相對應(yīng)的特征向量得到特征向量數(shù)據(jù)集。

11、進一步的，在進行剪枝處理之前，引入虛擬節(jié)點，建立虛擬節(jié)點與每個節(jié)點之間的雙向連接，根據(jù)鄰居節(jié)點的重要性進行每個節(jié)點重要性的更新迭代，在每次迭代之后進行所有節(jié)點分?jǐn)?shù)的歸一化處理，使得所有節(jié)點分?jǐn)?shù)總和不變；當(dāng)且僅當(dāng)收斂時迭代結(jié)束，移除虛擬節(jié)點，得到最終節(jié)點重要性分?jǐn)?shù)。

12、作為進一步的技術(shù)限定，在剪枝處理的過程中，采用網(wǎng)絡(luò)節(jié)點排序算法和敏感api進行特征向量數(shù)據(jù)集中節(jié)點和邊去留的綜合判斷，完成特征向量數(shù)據(jù)集的精簡，得到簡化圖結(jié)構(gòu)。

13、作為進一步的技術(shù)限定，在圖卷積層中加入跳躍節(jié)點模塊，即在圖神經(jīng)網(wǎng)絡(luò)的每一輸出層中加入跳躍連接在輸出中生成掩碼矩陣，使得將節(jié)點特征的輸出特征直接由輸入特征代替，未被選擇的節(jié)點通過卷積操作，以實現(xiàn)不同節(jié)點特征的區(qū)分，完成圖神經(jīng)網(wǎng)絡(luò)檢測模型的構(gòu)建。

14、根據(jù)一些實施例，本發(fā)明的第二方案提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測系統(tǒng)，采用如下技術(shù)方案：

15、一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測系統(tǒng)，包括：

16、獲取模塊，其被配置為獲取物聯(lián)網(wǎng)代碼數(shù)據(jù)集；

17、提取模塊，其被配置為提取所獲取的物聯(lián)網(wǎng)代碼數(shù)據(jù)集的數(shù)據(jù)特征，得到特征向量數(shù)據(jù)集；

18、剪枝模塊，其被配置為考慮虛擬節(jié)點，對所得到的特征向量數(shù)據(jù)集進行剪枝處理，得到簡化圖結(jié)構(gòu)；

19、建模模塊，其被配置為在圖卷積層中加入跳躍節(jié)點算法，構(gòu)建圖神經(jīng)網(wǎng)絡(luò)檢測模型；

20、檢測模塊，其被配置為根據(jù)所構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)檢測模型和簡化圖結(jié)構(gòu)，進行物聯(lián)網(wǎng)惡意代碼的檢測。

21、根據(jù)一些實施例，本發(fā)明的第三方案提供了一種計算機可讀存儲介質(zhì)，采用如下技術(shù)方案：

22、一種計算機可讀存儲介質(zhì)，其上存儲有程序，該程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方案所述的基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法中的步驟。

23、根據(jù)一些實施例，本發(fā)明的第四方案提供了一種電子設(shè)備，采用如下技術(shù)方案：

24、一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的程序，所述處理器執(zhí)行所述程序時實現(xiàn)如本發(fā)明第一方案所述的基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法中的步驟。

25、根據(jù)一些實施例，本發(fā)明的第五方案提供了一種計算機程序產(chǎn)品，采用如下技術(shù)方案：

26、一種計算機程序產(chǎn)品，包括軟件代碼，所述軟件代碼中的程序執(zhí)行如本發(fā)明第一方案所述的基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法中的步驟。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

28、本發(fā)明提取物聯(lián)網(wǎng)代碼數(shù)據(jù)集的特征向量數(shù)據(jù)集展示應(yīng)用程序中函數(shù)之間的調(diào)用關(guān)系，從而識別出惡意行為；采用圖剪枝方法得到簡化圖結(jié)構(gòu)，去除冗余和無效的信息，緩解了訓(xùn)練時的內(nèi)存負(fù)擔(dān)，提升檢測效率。

29、本發(fā)明在圖卷積層加入跳躍節(jié)點算法，通過采樣使一些節(jié)點跳過卷積操作，防止模型中間層過多而出現(xiàn)過度平滑問題，從而改進模型的性能，提升檢測準(zhǔn)確率。該方法只涉及節(jié)點的操作，相比于其它解決過度平滑和梯度消失的問題，沒有帶來額外的計算負(fù)擔(dān)。

技術(shù)特征：

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，包括：

2.如權(quán)利要求1中所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，在提取所獲取的物聯(lián)網(wǎng)代碼數(shù)據(jù)集的數(shù)據(jù)特征的過程中，采用集成工具解析獲取的數(shù)據(jù)集中的每一個文件，提取每個樣本的函數(shù)調(diào)用圖。

3.如權(quán)利要求2中所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，基于所提取到的函數(shù)調(diào)用圖，進行函數(shù)調(diào)用圖每個節(jié)點相關(guān)屬性的分配，得到每個節(jié)點相對應(yīng)的特征向量；根據(jù)所得到的每個節(jié)點相對應(yīng)的特征向量得到特征向量數(shù)據(jù)集。

4.如權(quán)利要求3中所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，在進行剪枝處理之前，引入虛擬節(jié)點，建立虛擬節(jié)點與每個節(jié)點之間的雙向連接，根據(jù)鄰居節(jié)點的重要性進行每個節(jié)點重要性的更新迭代，在每次迭代之后進行所有節(jié)點分?jǐn)?shù)的歸一化處理，使得所有節(jié)點分?jǐn)?shù)總和不變；當(dāng)且僅當(dāng)收斂時迭代結(jié)束，移除虛擬節(jié)點，得到最終節(jié)點重要性分?jǐn)?shù)。

5.如權(quán)利要求1中所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，在剪枝處理的過程中，采用網(wǎng)絡(luò)節(jié)點排序算法和敏感api進行特征向量數(shù)據(jù)集中節(jié)點和邊去留的綜合判斷，完成特征向量數(shù)據(jù)集的精簡，得到簡化圖結(jié)構(gòu)。

6.如權(quán)利要求1中所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法，其特征在于，在圖卷積層中加入跳躍節(jié)點模塊，即在圖神經(jīng)網(wǎng)絡(luò)的每一輸出層中加入跳躍連接在輸出中生成掩碼矩陣，使得將節(jié)點特征的輸出特征直接由輸入特征代替，未被選擇的節(jié)點通過卷積操作，以實現(xiàn)不同節(jié)點特征的區(qū)分，完成圖神經(jīng)網(wǎng)絡(luò)檢測模型的構(gòu)建。

7.一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測系統(tǒng)，其特征在于，包括：

8.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)了如權(quán)利要求1-6中任一項所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法的步驟。

9.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)了如權(quán)利要求1-6中任一項所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法的步驟。

10.一種計算機程序產(chǎn)品，包括軟件代碼，其特征在于，所述軟件代碼中的程序執(zhí)行如權(quán)利要求1-6中任一項所述的一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法的步驟。

技術(shù)總結(jié)
本發(fā)明屬于惡意代碼檢測識別技術(shù)領(lǐng)域，具體涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)惡意代碼檢測方法及系統(tǒng)，包括：獲取物聯(lián)網(wǎng)代碼數(shù)據(jù)集；提取所獲取的物聯(lián)網(wǎng)代碼數(shù)據(jù)集的數(shù)據(jù)特征，得到特征向量數(shù)據(jù)集；考慮虛擬節(jié)點，對所得到的特征向量數(shù)據(jù)集進行剪枝處理，得到簡化圖結(jié)構(gòu)；在圖卷積層中加入跳躍節(jié)點算法，構(gòu)建圖神經(jīng)網(wǎng)絡(luò)檢測模型；根據(jù)所構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)檢測模型和簡化圖結(jié)構(gòu)，進行物聯(lián)網(wǎng)惡意代碼的檢測。

技術(shù)研發(fā)人員：張淑慧,宋心如,王連海,徐淑獎,匡瑞雪,王曉晨,韓仁冬,元阿彪
受保護的技術(shù)使用者：山東省計算中心（國家超級計算濟南中心）
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19