[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

说明书

本发明公开了一种基于深度学习模型压缩的漏洞检测方法、系统及移动设备，将包含漏洞的二进制文件映射为灰度图像，利用卷积神经网络提取灰度图像纹理特征，通过训练得到预训练模型，然后利用模型压缩的优势，基于麻雀搜索算法找到模型的最佳结构，实现自动化搜索模型结构的压缩方法，从而提高检测模型的准确率和效率，并且能够减少检测模型的空间占用。

技术领域

本发明涉及软件安全检测领域，特别是一种基于深度学习模型压缩的漏洞检测方法、系统及移动设备。

背景技术

随着全球信息化的快速发展，计算机在人们的生活中起着极大的作用。计算机软件作为信息时代的产品形式，已经深入到人民生活、国家经济、军事建设等各个领域。在互联网技术迅猛发展的今天，软件的安全性问题成了目前最为重要的话题。目前，很多软件都存在大大小小的漏洞，不法分子就可以通过软件漏洞去进行网络攻击，造成了用户信息泄露、系统崩溃、人民财产安全等问题，严重威胁了我国网络空间的安全建设，乃至威胁到整个社会、国家的安全与稳定。在软件的完整生命周期中，想要完全避免漏洞缺陷是不可能的，但如何能及时检测出来，避免损失是非常有意义的。因此，对软件漏洞进行快速检测是一项重要的研究内容。

近年来，软件漏洞被攻击利用的事件频发，造成了不可预估的损失，为了能够及时发现漏洞，有效预防，很多团队都在深入研究漏洞检测技术，提供漏洞检测工具及服务。其中，经典的方法是静态漏洞挖掘和动态漏洞挖掘技术。静态漏洞挖掘技术是指不执行目标程序，但对目标程序的语法语义、数据流、控制流等进行分析，同时考虑专家规则，共同挖掘程序中可能存在的漏洞。动态漏洞检测技术是指在执行目标程序的过程中监控其运行时的行为，分析其产生的数据流、控制流、程序状态、执行路径等，准确找到异常发生的地方，从而找出程序的漏洞。通过对程序的源代码进行静态漏洞分析产生的漏洞检测工具如Coverity、Klocwork等，通过动态分析方法进行错误排查的工具如libFuzzer、Radamsa等。在大数据时代，人工智能技术飞速发展，基于机器学习的漏洞检测技术也被相继提出，一些轻量级的漏洞检测工具也应用而生。如VDiscover工具，通过经典的机器学习算法，训练漏洞检测模型，用来预测程序中是都存在漏洞问题。VccFinder工具利用SVM(支持向量机)分类器对软件的异常情况进行标记，在一定程度上使误报率显著降低。

虽然漏洞检测工具层出不穷，但是对于基于机器学习的漏洞检测技术还面临着一些问题。首先，漏洞检测工具的准确率和效率还有待提升；其次，基于深度学习的漏洞检测模型占用空间大，计算复杂度较高，很难部署到资源受限的移动设备上。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于深度学习模型压缩的漏洞检测方法、系统及移动设备，提高漏洞检测的效率和准确率，并且减少检测模型的内存占用和计算复杂度，使模型能够部署到资源受限的移动设备上。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度学习模型压缩的漏洞检测方法，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。

本发明利用灰度图像训练卷积神经网络，利用麻雀搜索算法进行模型压缩，可以使最终的检测模型在准确率不降低的情况下实现模型压缩，减少空间占用，减少计算复杂度，使其能够部署到资源受限的移动设备上。

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。