基于DQN生成对抗样本的JavaScript恶意代码检测模型

来源：计算机应用与软件杂志2025年第3期北京时间：

作者：苏庆, 温炜亮, 林佳锐, 黄剑锋, 谢国波

摘要：针对基于深度学习的JavaScript恶意代码检测模型抗攻击能力较弱的问题，提出一个基于DQN（Deep Q-Learning Network）生成对抗样本的JavaScript恶意代码检测组合模型DQN-CNN。利用CNN对数据集进行训练，得到初始判别器origin_CNN。将DQN作为生成器，两者组成DQN-origin_CNN对抗模型进行训练。在训练过程中DQN通过代码混淆动作，生成origin_CNN的对抗样本。接着将对抗样本加入数据集，对origin_CNN持续进行迭代训练，获得最终判别器retrain_CNN。实验结果表明，retrain_CNN与DQN组成新的对抗模型DQN-retrain_CNN生成对抗样本成功率显著下降，从45.7%下降为21.5%，证明最终生成的判别器retrain_CNN的抗攻击能力得到了显著提升。

关键词：深度强化学习, 代码混淆, 灰度图, JavaScript代码, 对抗攻击