基于CBAM-GLU-ISF的多模态融合恶意软件检测方法

来源：计算机工程与应用杂志2025年第20期北京时间：

作者：彭飞鸿, 刘万平, 黄东

单位：1.重庆理工大学 计算机科学与工程学院，重庆 400054；2.贵州大学 现代制造技术教育部重点实验室，贵阳 550025

摘要：恶意软件普遍结合代码混淆技术，基于单特征的检测方法特征信息受限，相对多特征检测方法存在检测准确率偏低的问题。不同模态之间潜在的关联性信息可以提高检测效果上限，目前的多特征检测方法在特征融合时缺乏对特征之间关联性的建模，导致其检测准确率欠佳。为了更全面地表征恶意软件并提高检测精度，提出一种基于卷积神经网络CNN和门控线性单元GLU的多模态融合恶意软件检测方法CBAM-GLU-ISF。以恶意软件两种模态：灰度图和字节序列为分析对象，在卷积神经网络中添加卷积块注意力模块（CBAM），结合通道注意力和空间注意力实现对灰度图的关键特征提取。字节序列是软件在计算机上最直接的表示，门控线性单元结合加性注意力机制（additive attention）在高效地捕获长序列依赖关系的基础上，实现对字节序列关键特征的提取。多模态特征融合模块（ISF）对并行特征提取网络的两种模态特征进行融合，挖掘利用两种模态特征之间存在的关联性信息，将恶意软件表征为一个更全面的多模态特征。最后，通过检测层完成恶意软件识别。实验结果表明，所提方法检测准确率达到99.1%，AUC达到了99.8%，对比现有工作中的单特征和多特征检测算法有明显提升，验证了该方法的有效性。

关键词：恶意软件检测,多模态融合,卷积神经网络（CNN）,卷积块注意力模块,门控线性单元（GLU）