计算机应用研究

作者：赵永林,郭春,吕晓丹,周雪梅,

单位：贵州大学计算机科学与技术学院(贵州保密学院)公共大数据国家重点实验室,贵阳550025；

关键词：恶意软件图像,恶意软件分类,信息融合,卷积神经网络,

基金：国家自然科学基金资助项目(62162009)；贵州省重大科技专项项目(黔科合重大专项字［2024］014)；贵州省高等学校大数据与网络安全创新团队(黔教技［2023］052］)；；

现有基于图像的恶意软件分类方法通过提取多种信息并使用多通道图像表征恶意软件以提升分类准确率。然而，相较于使用单通道图像表征恶意软件，使用多通道图像表征恶意软件在提升分类准确率的同时也增加了模型的复杂度和计算量。为此，提出了基于信息融合图像和深度学习的恶意软件分类方法MCIIFD（malware classification method based on image with information fusion and deep learning）。该方法通过将字节码、操作码及操作数、以及数据定义内容等不同信息分布到单通道图像的不同区域，既实现了多种关键信息的融合，又避免了多通道图像带来的高计算开销。在此基础上，设计了卷积神经网络与支持向量机相结合的特征提取与分类框架，使得MCIIFD既能凭借更丰富的特征表示实现高分类精度，又能保持较低模型复杂度和较高计算效率。实验结果显示，MCIIFD在Big2015数据集上获得了99.56%的分类准确率，验证了其在恶意软件分类任务中的有效性。

来源：2026年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第4期