基于深度学习的恶意代码检测可解释性研究

作者：陈军; 詹达之; 夏士明; 蒋考林; 潘志松^*; 郭世泽

来源：南京理工大学学报, 2023, 47(03): 343-351.

DOI：10.14177/j.cnki.32-1397n.2023.47.03.008

• 深度学习
• 恶意代码检测
• 可解释性
• 可视化分析
• 相似性
• 差异性

针对深度学习模型无法解释其是否提取到了关键特征的问题，该文从建模之前和建模之后2个层面对基于深度学习的恶意代码检测进行了可解释性研究。在建模之前，通过对二进制文件进行可视化分析，发现恶意代码的图像模态特征存在着明显的同类相似性和类间差异性，验证了运用深度学习模型进行图像模态特征恶意代码检测的可行性。在建模之后，提出了一种基于梯度加权类激活映射(Grad-CAM)的恶意代码检测可视化可解释性方法，在视觉直观上和统计分析上说明了基于深度学习的恶意代码检测具有可解释性。

• 单位
  中国人民解放军陆军工程大学