本文介绍了一种基于深度神经网络的恶意软件分类器，可以在商品硬件上处理实际金融企业数据达到 95% 的检测率和 0.1% 的误报率。

Aug, 2015

本文研究利用图像分析进行恶意软件检测与分类问题，通过将可执行文件转化为图像并采用基于深度学习模型的图像识别，利用现有大数据集上的预训练深度学习模型进行迁移学习训练。通过与 k - 最邻近算法相比较，实验表明深度学习模型具有更好的泛化性能。

Jan, 2019

一种新的多任务学习框架用于恶意软件图像分类，以实现准确快速的恶意软件检测，并通过与其他激活函数的实验结果表明，其在各个任务上的准确度高于 99.87％，能够有效检测隐藏技术并在准确性方面达到最新方法的水平。

May, 2024

通过使用灰度处理方法与由五个分布式量子卷积网络和评分函数组成的模型相结合，我们实现了对数据集的新预处理，以提高基于图像的恶意软件检测的性能，而不增加量子位所需的资源，结果表明测试的准确率和 F1 评分分别提高了约 20%。

Dec, 2023

使用深度学习模型从二进制数据中自动学习特征表征，在对恶意软件分类中取得了一定的成果，同时探索了训练数据规模和正则化等因素对分类器性能的影响。

Mar, 2019

该研究提出了一种基于神经网络的低成本特征提取方法，能够准确快速地检测恶意软件，通过实验发现，在真实数据集上，该方法在特征工程和架构设计方面有较好的表现。

Jul, 2019

本文提出了一种利用高分辨率灰度图像和多实例学习将恶意软件分类为家族的新方法，以克服敌对二进制扩大。通过经验分析和实验表明，现有的基于可视化的恶意软件分类方法往往依赖于输入的有损转换，如调整大小来处理大型、大小可变的图像，而这些方法会导致关键信息的丢失，被利用。提出的解决方案将图像划分为补丁，并使用嵌入式多实例学习、卷积神经网络和注意力聚合函数进行分类。该实现在 Microsoft 恶意软件分类数据集上进行评估，并在与基线 22.8% 相比，对敌对扩大样本的准确率达到 96.6%。Python 代码可在此 https URL 上在线获取。

Nov, 2023

利用深度神经网络（DNNs）对恶意软件进行分类的有效性和性能进行评估，结果表明在不同类型的恶意软件上，DNNs 能够准确分类且具有较高的准确率，且通过优化模型架构和利用边缘计算能力，这些 DNN 模型在资源受限场景下实现了高效性能，为提前检测恶意软件、防止攻击的不良影响做出了重要贡献。还讨论了将安全任务分配给边缘设备的最佳考虑，以确保大规模 IoT 系统在恶意软件攻击时不会受损，倡导更加弹性和安全的数字生态系统。

Aug, 2023

该论文介绍了一种通过二进制多样性技术和优化框架欺骗深度神经网络的攻击方式来打破基于机器学习的恶意软件检测系统，攻击成功率可达 100%，但该论文也探索了一些能够使攻击失败的防御手段。

Dec, 2019

本文通过对恶意软件检测方法的深度学习进行的攻击实验证明，机器学习以及深度神经网络存在易受攻击的漏洞，并提出基于梯度的攻击方法，可以使恶意软件逃脱检测而不影响其入侵功能。

Mar, 2018