Resumen

Con el rápido aumento en la cantidad y tipo de malware, los métodos tradicionales de detección de malware y clasificación de familias para aplicaciones de IoT a través de análisis estáticos y dinámicos han sido desafiados en gran medida. En este documento, se propone un nuevo módulo de atención simple y efectivo de Redes Neuronales Convolucionales (CNNs), llamado Módulo de Atención Eficiente en Profundidad (DEAM), que se combina con un DenseNet para proponer un nuevo modelo de detección de malware y clasificación de familias. Basándose en el buen efecto de DenseNet en el campo de la clasificación de imágenes y la similitud visual de la familia de malware en imágenes, la imagen en escala de grises transformada a partir de malware se introduce en el modelo combinado con DEAM y DenseNet para la detección de malware, y luego se lleva a cabo la clasificación de familias. DEAM es un módulo de atención liviano general mejorado basado en el Módulo de Atención de Bloque Convolucional (CBAM), que puede fortale

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Malware; Detección; Clasificación familiar; Redes neuronales convolucionales; Módulo de atención; DenseNet
• Keywords:Malware; Detection; Family classification; Convolutional Neural Networks; Attention module; DenseNet