STAMINA深度学习用来检测把恶意软件转换成图片，用来分类恶意软件，近来，微软和英特尔团结开辟了一个斩新的人工智能钻研项目--耐力，对歹意应用举行检验和分类。Static Malware-as-ImageNetworkAnalysis(Static Malware-as-ImageNetworkAnalysis)能够将歹意应用样本转换为灰度图像，而后扫描并辨认特定歹意应用样本的纹理和布局模式。
1.英特尔和微软的钻研团队显露，全部历程遵照了几个简略的步调。之一步包括获得输入文件并将其二进制码转换为原始像素数据流。钻研职员随后将这些一维像素流转换成二维照片，以便应用古代的图像说明算法举行说明。
2.凭据文件大小，底下的转换表断定图像宽度和图像高度是动静的，这是经历将原始像素流除以选定的宽度值获得的。在将原始像素流组合成二维图像后，钻研职员随后将生产的照片调解为更小的尺寸。
3.英特尔和微软团队显露，调解原始图像的大小不会“对分类后果发生负面影响”，这是须要的一步，由于计较资源不需求处分包括数十亿像素的原始图像，调解图像的大小能够大大加速处分速率。
4.而后，驻留的图像被输入到经由练习的深度神经网页(DNN)，该网页扫描图像(歹意应用菌株的二维显露)，并将其分类为“洁净的”或“受熏染的”。微软显露，它曾经供应了220万份受熏染的PE(便携可实行)文件的哈希样本，作为钻研的质料。
5.钻研职员应用60%的已知歹意应用样本练习原始DNN算法，应用20%的文件考证DNN，并将节余的20%用于现实尝试历程。钻研团队显露，耐力在辨认和分类歹意应用样本时到达了99.07%的精确率和2.58%的假阳性率。代表微软威逼护卫谍报组介入这项钻研的两名微软钻研职员JugalParikh和MarcMarino说：
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。
