基于代码可视化的工业互联网恶意代码检测方法

来源：计算机集成制造系统杂志2025年第2期北京时间：

作者：龙墨澜, 康海燕

单位：北京信息科技大学计算机学院

摘要：针对工业互联网中不断增加的恶意软件数量和种类,传统恶意代码检测方法存在准确率低、时间开销大、数据预处理过程复杂等问题,结合神经网络在图像分类方向的成熟应用,提出一种基于代码可视化的工业互联网恶意代码检测方法。通过可视化算法将恶意代码原始文件转化为彩色图像,采用改进GoogLenet检测并识别恶意代码家族;用数据增强扩充原始样本集,并提出适用于多分类任务的带权Focal loss损失函数,通过样本期望体积调整不同恶意代码家族在模型训练过程中的权重参数,缓解模型过拟合的影响。最后在Malimg和Leopard Mobile两个数据集上的实验表明,彩色恶意代码图像在准确性方面优于恶意代码灰度图,该方法在Malimg和Leopard Mobile数据集的准确率分别达到98.26%和97.19%,验证了该方法的优越性。

关键词：恶意代码分类,代码可视化,深度学习,数据增强,带权损失函数

基金资助：国家社会科学基金资助项目(21BTQ079);教育部人文社会科学基金资助项目(20YJAZH046)。