基于多尺度递归注意力与Transformer的安卓恶意软件对抗样本检测方法
本发明涉及移动网络安全,尤其是涉及基于多尺度递归注意力与transformer的安卓恶意软件对抗样本检测方法。
背景技术:
1、安卓操作系统凭借其开源特性和丰富的应用生态,已成为全球市场占有率最高的移动智能终端操作系统。与此同时,安卓平台也成为恶意软件攻击的主要目标。每年涌现的恶意安卓应用程序数以百万计,导致用户隐私数据大规模泄露以及严重的经济损失。因此,高效的安卓恶意软件检测与分析方案成为确保移动系统安全的关键任务。
2、基于字节码图像与深度学习的安卓恶意软件检测方法日益受到关注。已有研究者将安卓应用程序包中的classes.dex文件、androidmanifest.xml文件和resources.arsc文件分别提取并映射为红色、绿色和蓝色三个颜色通道,进而生成rgb字节码图像,再采用卷积神经网络进行分类训练。递归注意力卷积神经网络通过递归方式在多个尺度上学习鉴别性的区域注意力和基于区域的特征表示,能够自动定位并关注图像中的判别性区域。残差网络通过引入跳跃连接解决了深层神经网络在训练过程中出现的梯度消失和梯度爆炸问题。
3、伴随人工智能技术的进步,新的研究揭示基于机器学习的恶意软件检测模型对于对抗性样本的逃逸攻击尤为敏感。恶意软件创作者可以微调恶意代码,在保留恶意属性的同时避免被检测系统识别。攻击者可以利用对抗样本算法构造安卓恶意软件对抗样本,使安卓恶意软件能够躲避基于机器学习的检测系统。现有基于字节码图像的检测方法主要存在以下缺陷。
4、基于字节码图像的检测方法对经过代码混淆、加壳、api调用隐藏等对抗手段处理的恶意软件检测能力显著下降,对抗样本的存在使得常规检测模型的准确率大幅降低,现有检测模型在面对未知对抗样本时鲁棒性差的问题日益突出。
5、现有方法仅在单一尺度上进行特征提取,无法有效捕捉对抗扰动在不同尺度上表现出的特征不一致性。对抗扰动在字节码层面和结构层面的传播特性存在本质差异,单一尺度的特征提取难以全面捕获这种差异。
6、现有方法的注意力机制主要针对常规图像分类任务设计,缺乏对对抗样本特有的注意力分布异常的感知能力。对抗样本导致的注意力分布从集中于判别性区域向全局均匀化扩散的趋势,在现有技术中未被作为检测信号加以利用。
7、现有基于对抗训练的防御策略虽然通过使用对抗性样本加强训练数据集来增强模型鲁棒性,但仍存在高计算需求、准确性下降等瓶颈。现有防御机制通常是检测器的补充性附加组件,存在显著局限性,往往依赖于对抗样本的先验知识,无法有效防御未见过的攻击类型。
技术实现思路
1、本发明提供基于多尺度递归注意力与transformer的安卓恶意软件对抗样本检测方法,通过多尺度特征一致性校验、对抗感知注意力掩码、随机矩阵谱分析和自适应集成决策融合四个核心机制,实现对各类对抗样本的高鲁棒性检测,且不依赖于任何特定对抗攻击类型的先验知识。
2、为实现上述目的,本发明采用了如下技术方案:
3、基于多尺度递归注意力与transformer的安卓恶意软件对抗样本检测方法,包括:
4、解压安卓应用程序包文件获得三种字节码文件,将三种字节码文件转换为三通道rgb图像并下采样获得三个尺度rgb图像;
5、对三个尺度rgb图像进行卷积操作提取各尺度卷积特征图,经注意力裁剪后上采样获得各尺度上采样注意力图像,计算各尺度上采样注意力图像之间差异获得第一异常分数和每个尺度的平均特征差异度量;
6、利用所述平均特征差异度量对各尺度卷积特征图执行多头自注意力处理获得对抗感知注意力权重矩阵和各尺度全局依赖特征矩阵,对所述对抗感知注意力权重矩阵进行谱分析获得第二异常分数;
7、将各尺度上采样注意力图像编码获得各尺度编码向量,对各尺度全局依赖特征矩阵池化获得各尺度全局池化向量,拼接各尺度编码向量为综合编码向量,拼接各尺度全局池化向量为综合池化向量,将综合编码向量与综合池化向量拼接为重建输入特征向量并解码获得重建特征向量,根据重建输入特征向量与重建特征向量之间差异计算第三异常分数;
8、对所述综合编码向量与所述综合池化向量执行全连接映射获得自适应权重向量,根据所述自适应权重向量对第一异常分数、第二异常分数和第三异常分数加权求和获得最终对抗样本判别分数,将最终对抗样本判别分数与预设阈值比较以判定所述安卓应用程序包文件是否为对抗样本。
9、本说明书中,经注意力裁剪后上采样获得各尺度上采样注意力图像,具体包括:根据各尺度卷积特征图预测各尺度注意力投射区域位置并构造各尺度注意力掩码矩阵,将各尺度rgb图像与各尺度注意力掩码矩阵相乘后上采样获得各尺度上采样注意力图像。
10、本说明书中,计算各尺度上采样注意力图像之间差异获得第一异常分数和每个尺度的平均特征差异度量,具体包括:三个尺度中任意两个尺度构成三对尺度组合,对所述三对尺度组合中各对尺度的上采样注意力图像进行逐像素逐颜色通道差值绝对值计算以获得三对尺度组合各自的特征差异矩阵,计算全部所述特征差异矩阵中所有元素值的算术平均值作为所述第一异常分数;对于每个尺度,计算该尺度与另外两个尺度之间特征差异矩阵中所有元素值的算术平均值,作为该尺度的平均特征差异度量。
11、本说明书中,利用所述平均特征差异度量对各尺度卷积特征图执行多头自注意力处理获得对抗感知注意力权重矩阵和各尺度全局依赖特征矩阵,具体包括:将各尺度卷积特征图展平为特征序列后执行多头自注意力计算,在所述多头自注意力计算中利用所述平均特征差异度量构造对抗感知软掩码矩阵,将所述对抗感知软掩码矩阵与未归一化注意力得分矩阵融合获得掩码修正后注意力得分矩阵,对掩码修正后注意力得分矩阵归一化获得对抗感知注意力权重矩阵,拼接多头自注意力的各注意力头输出获得各尺度全局依赖特征矩阵。
12、本说明书中,所述对抗感知软掩码矩阵的构造方式为:对于任意两个特征位置,根据所述两个特征位置对应特征向量之间的欧几里得距离平方、所述两个特征位置之间的位置索引差值与特征序列长度的比值、以及所述平均特征差异度量与所述欧几里得距离的乘积,将上述三项分别乘以各自可学习参数后求和,将求和结果输入sigmoid激活函数以获得掩码系数,将数值1减去所述掩码系数作为所述对抗感知软掩码矩阵中对应位置元素值;所述可学习参数包括可学习尺度参数,所述可学习尺度参数用于调控所述欧几里得距离平方项的强度。
13、本说明书中,将对抗感知软掩码矩阵与未归一化注意力得分矩阵融合获得掩码修正后注意力得分矩阵,具体包括:对所述对抗感知软掩码矩阵中每个元素值叠加预设极小正数常数后取自然对数,将取自然对数后的结果与所述未归一化注意力得分矩阵中对应位置元素值相加,将相加结果作为所述掩码修正后注意力得分矩阵中对应位置元素值。
14、本说明书中,对所述对抗感知注意力权重矩阵进行谱分析获得第二异常分数,具体包括:对所述对抗感知注意力权重矩阵进行特征值分解并根据所得特征值集合计算谱统计量和最大特征值间隙,综合各尺度各注意力头的所述谱统计量和所述最大特征值间隙计算第二异常分数。
15、本说明书中,根据所得特征值集合计算谱统计量和最大特征值间隙,具体包括:计算所述特征值集合中所有特征值模的平方的平均值,计算所述特征值集合中所有特征值模的平均值的平方,将所述模的平方的平均值减去所述模的平均值的平方以获得所述谱统计量;从所述特征值集合中确定最大特征值和次大特征值,将所述最大特征值减去所述次大特征值以获得所述最大特征值间隙;综合各尺度各注意力头的所述谱统计量和所述最大特征值间隙计算第二异常分数时,对于每个尺度每个注意力头,将所述谱统计量乘以第一预设权重系数,将所述最大特征值间隙乘以第二预设权重系数,将两项结果相加后除以所述谱统计量与所述最大特征值间隙之和,再对所有尺度和所有注意力头取算术平均值作为所述第二异常分数,所述第一预设权重系数和所述第二预设权重系数均为预设的正数且二者之和为1。
16、本说明书中,根据重建输入特征向量与重建特征向量之间差异计算第三异常分数,具体包括:计算所述重建输入特征向量与所述重建特征向量之间平方欧几里得距离作为重建误差,将所述重建误差减去训练集中正常样本重建误差的最小值,将相减结果除以训练集中正常样本重建误差的最大值与所述最小值的差值,将相除结果作为所述第三异常分数。
17、本说明书中,采用联合损失函数进行端到端联合训练,所述联合损失函数由分类损失、排序损失、重建损失和多尺度一致性损失加权求和构成,所述重建损失用于约束编码和解码对正常样本特征的重建误差,所述多尺度一致性损失用于约束各尺度上采样注意力图像之间差异最小化。
18、综上所述,本发明至少具有以下有益效果:
19、通过多尺度特征一致性校验机制,利用对抗样本在不同尺度上的特征表现不一致的特性,能够有效识别经过轻度代码混淆和代码变形处理的对抗样本。相比于仅在单一尺度上进行特征提取的现有技术,本发明对轻度对抗样本的检测准确率提升显著。
20、通过对抗感知注意力掩码机制,在transformer的自注意力计算中对可能受对抗扰动影响的特征维度施加软掩码,有效降低了对抗扰动对注意力分布的干扰,增强了模型对对抗样本的判别稳定性。
21、通过基于随机矩阵谱分析的注意力分布异常检测,从注意力权重矩阵的特征值谱分布角度量化对抗样本导致的注意力分布系统性偏差,为中度和重度对抗样本提供了有效的判别信号。该谱分析方法是从随机矩阵理论跨界引入的全新检测范式。
22、通过自适应加权融合机制,根据输入样本的特征动态调整各异常分数的融合权重,使得不同强度对抗样本均能获得最优的检测效果,整体检测鲁棒性显著优于单一检测机制。
23、步骤s2的多尺度特征差异度量结果直接参与步骤s3中对抗感知软掩码矩阵的构造,实现了特征提取模块与注意力模块的双向交互。步骤s4的谱分析结果和作为反馈信息反作用于步骤s3中掩码可学习参数的动态调整,形成了检测与分析的双向闭环交互。上述算法间的深度融合与协同工作机制,使得本发明的整体检测性能优于各模块简单串联的常规技术方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com