人工智能在恶意代码自动识别中的应用技术研究

摘要

面对恶意代码不断持续演化导致传统检测方法精度不够、响应效率低下的问题，本研究提出了一种基于人工智能的恶意代码自动识别技术框架。该框架通过将恶意代码二进制文件转换成为灰度图像，结合改进卷积神经网络(CNN)和注意力机制以实现深层特征提取，经自编码器降噪优化后引入极端梯度提升(XGBoost)分类器完成最终识别，进而构建起包含预处理、特征提取、降噪优化以及分类识别的完整技术框架。实验结果表明：该框架在公开数据集上精确率达到99.0%、召回率达到97.4%,分类准确性与综合性能均优于传统对比算法，在参数规模、内存占用以及检测响应速度方面也具备显著优势，验证了所提技术路线的有效性和工程实用价值。

关键词

人工智能 / 网络攻击检测 / 自适应防御 / 深度学习 / 攻击链建模

基金资助

山西省社会科学院2025年度山西省终身教育高质量发展重大专项研究课题“基于大数据技术构建远程教育学习支持服务体系研究”(SXZSJY25050); 山西省现代远程教育学会2023年度课题“远程教育中计算机类课程教学质量提升的方法探索”(SXYJ202344)