[发明专利]基于深度学习模型压缩的漏洞检测方法、系统及移动设备

权利要求书

1.一种基于深度学习模型压缩的漏洞检测方法，其特征在于，包括以下步骤：

S1、对数据进行预处理，生成训练数据集和测试数据集；所述数据为灰度图像数据；

S2、利用所述训练数据集训练卷积神经网络，得到预训练模型；

S3、利用麻雀搜索算法压缩所述预训练模型，得到最终的检测模型。

2.根据权利要求1所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤S1的实现过程包括：

1)将采集到的包含漏洞的二进制文件转化为灰度图像；根据采集到的包含漏洞的二进制文件的漏洞类型、存储路径，生成标签文件；

2)基于所述标签文件和灰度图像，生成hdf5文件，得到训练数据集和测试数据集。

3.根据权利要求2所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤1)的具体实现过程包括：将一个包含漏洞的二进制文件按位读取为一维数组，其中每Mbit的数据作为该数组其中一个元素，所述数据的取值范围为0-255，固定行宽为256，将上述一维数组按照行宽生成一个二维数组，利用cv2库将该二维数据映射为灰度图像。

4.根据权利要求2所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，步骤2)的具体实现过程包括：所述标签文件包括训练标签文件和测试标签文件；所述标签文件的内容以键值对(key,value)的形式存在；对于训练标签文件，key表示包含漏洞的二进制文件映射为灰度图像后的存储路径，value为包含漏洞的二进制文件的漏洞类型编号；对于测试标签文件，key为包含漏洞的二进制文件对应的漏洞类型编号，value为该漏洞类型标号的解释说明。

5.根据权利要求1所述的基于深度学习模型压缩的漏洞检测方法，其特征在于，所述卷积神经网络为VGG16网络模型；所述VGG16网络模型包括N个级联的卷积层，最后一个卷积层与至少一个全连接层连接；所述VGG16网络模型的输入层通道数为1，最后一层输出的分类数量与漏洞类型总数匹配。