基于动态行为和机器学习的恶意代码检测方法

目前恶意代码出现频繁且抗识别性加强,现有基于签名的恶意代码检测方法无法识别未知与隐藏的恶意代码。提出一种结合动态行为和机器学习的恶意代码检测方法。搭建自动化分析Cuckoo沙箱记录恶意代码的行为信息和网络流量,结合Cuckoo沙箱与改进DynamoRIO系统作为虚拟环境,提取并融合恶意代码样本API调用序列及网络行为特征。在此基础上,基于双向门循环单元（BGRU）建立恶意代码检测模型,并在含有12 170个恶意代码样本和5 983个良性应用程序样本的数据集上对模型效果进行验证。实验结果表明,该方法能全面获得恶意代码的行为信息,其所用BGRU模型的检测效果较LSTM、BLSTM等模型更好,精确率和F1值分别达到97.84%和98.07%,训练速度为BLSTM模型的1.26倍。     

基于态势感知的智能配电网数据隐蔽攻击在线检测

为了保证电网能源利用效率的同时,解决电子传输与信息通信间融合性较差的问题,提出基于态势感知的智能配电网数据隐蔽攻击在线检测方法。利用智能配电网部署架构,安排电网流量数据采集器与态势基础信息展示模块的实际所处位置,完成基于态势感知的智能配电网环境规划。在此基础上,搭建状态识别层结构,通过AC状态估计、DC状态估计同步实施的方式,实现基于态势感知的智能配电网数据隐蔽攻击在线检测方法的顺利应用。对比实验结果显示,与注入型电子量检测手段相比,态势感知技术可将新型检测方法的电信号识别准确度提升至94%,也可将电网能源利用效率始终控制在85%左右,能够较好解决电子传输与信息通信间融合能力过低的问题。