基于TCN与ChebyKAN融合网络的恶意软件多分类模型

摘要

针对基于API调用序列的传统恶意软件检测方法存在长距离时序依赖捕捉不足、忽略特征间高阶非线性关系等相关问题，提出了一种融合时序卷积网络（TCN）与Chebyshev-Kolmogorov-Arnold network(ChebyKAN)的恶意软件多分类模型（TCN-SE-ChebyKAN）。首先，基于TCN模块对API调用序列提取特征，利用因果卷积和膨胀卷积，突破传统循环神经网络在长距离时序依赖建模中的局限，精准捕捉恶意软件多阶段行为的时序关联；其次，引入SE模块构建通道注意力机制，动态优化通道权重，解决关键判别性特征被冗余信息掩盖的问题；最后，通过切比雪夫多项式改进KAN模块（ChebyKAN），利用其全局逼近特性增强特征间高阶非线性关系的建模能力，克服原始KAN中B样条函数局部性强的缺陷。实验结果表明，该模型在Mal-API-2019数据集上AUC值达92.53%，精确率、召回率、F1值等指标均有显著提升。

关键词

恶意软件 / API调用序列 / SE模块 / ChebyKAN / 时序卷积网络