多模态注意力机制驱动的恶意代码检测方法

摘要

传统恶意代码检测方法难以应对多样化变体问题.为此，本文提出了一种基于多模态特征融合与注意力机制的恶意代码检测模型.该模型首先将恶意代码样本转化为灰度图像和对应文本表示，充分保留其静态特征.接着，利用卷积神经网络和多头自注意力机制分别提取图像和文本的多层次特征进行特征级融合，并通过正则化掩码机制区分互补特征与矛盾特征，抑制矛盾特征，减少模型的过拟合现象.随后，采用嵌入注意力机制的深度残差网络对融合特征进行动态加权处理，进一步强化对关键特征的捕捉能力.最后，将融合后的特征向量输入检测模型进行分类训练与优化.实验结果表明，该模型在检测精度方面优于现有主流方法，有效提升了分类效果和模型的泛化能力.

关键词

多模态 / 特征融合 / 残差网络 / 注意力机制