博翔科技為專業機械設備歐規/台灣TS標章/美規及半導體設備SEMI S2輔導顧問公司
博翔對於各類機械的安全技術 安全開關 安全模組 安全繼電器模組 安全繼電器 緊急停止 安全元件 歐盟電路設計 安全迴路 安全設計
由於科技的進步，各種無線通訊設備及數位裝置技術的高度發展，電磁干擾已成為電子時代中世界各國關注的問題。
機械產品的製造為迎向消費市場需求，亦朝向高速度、高精度、自動化且大量使用數值控制而使機械產品電磁干擾問題更加複雜
而博翔科技協助您解決相關安全技術問題以專業級檢測與規畫經驗並協助各種機械廠快速獲得相關認證
邀請您一起邁向世界的安全技術頂端
請立即點擊上方圖片了解更多細節吧！
好文分享
惡意軟體是指被設計成對其所在系統造成損害的任何軟體。主要類型是蠕蟲，木馬和廣告軟體。如今，每年大約有35萬個樣本被生產出來，這對反病毒公司來說變得越來越困難，因為只有50%的新惡意軟體被報告，而從這50％中，只有20％會被現有的反病毒軟體檢測到。用於對惡意軟體進行分類的一些傳統方法是 沙箱檢測：此處可在虛擬環境中運行任何可疑軟體，在該環境中可以監視其行為，並且根據其行為，將確定該軟體是否為惡意軟體。但是這種方法可以被惡意軟體繞過，因為惡意軟體太大了以至於無法在虛擬環境中處理，惡意軟體文件還可以以一種模糊的、無法識別的文件格式保存，等等。沙箱檢測屬於基於行為的惡意軟體檢測。 基於簽名的檢測：反病毒公司為惡意軟體創建一個簽名，並在其資料庫中更新它。因此，殺毒軟體將掃描軟體的簽名與殺毒公司資料庫中的簽名進行比較。正如上面所討論的，每天大約有350000個惡意軟體被創建，對於反病毒公司來說，為每個惡意軟體創建簽名是極其困難的。 如今，反病毒公司正在使用深度學習技術來對付惡意軟體。在這裡，我們將探討基於卷積神經網絡的分類。 在《 Malware Images: Visualization and Automatic Classification》中首次看到了分類為灰度圖像的特定類別惡意軟體圖像的相似性。在論文中，他們展示了特洛伊木馬病毒的外觀。 ... .text部分包含要執行的代碼，.text部分的末尾為全黑，表示末尾的填充為零。.data部分包含未初始化的代碼，.rsrc部分包含模塊的所有資源，例如應用程式可以使用的圖標。 ... 上面的圖片來自《Malware Classification Using Image Representation》論文，其中他們顯示了不同家族的惡意軟體圖片，對於一個家族，我們可以在圖片中看到相似之處。 同樣在論文《Convolution Neural Networks for Malware Classification》中，他們還展示了常見的惡意軟體家族的圖片，例如Rammit，Gatak（木馬版本）等。 ... 結果 因此，在《Malware Images: Visualization and Automatic Classification》一文中，他們使用GIST來計算紋理特徵，並使用具有歐氏距離的k近鄰對其進行分類。所以GIST基本上就是利用Gabor濾波器對圖像進行小波分解。Gabor濾波器是一種線性濾波器，它主要分析圖像在特定方向上的頻率內容。主要用於邊緣檢測、紋理分析和特徵提取。他們使用了來自25個家族的9,458個惡意軟體，準確率高達98% 在《Convolution Neural Networks for Malware Classification>論文中，他們訓練了三個模型。 CNN 1C 1D由NxN像素（N = 32）的輸入層，卷積層（大小為11x11的64個filter maps），最大池化層，Densely-connected層（4096個神經元），9個神經元的輸出層組成。結果的準確度為0.9857，交叉熵為0.0968 CNN 1C 2D由NxN像素（N = 32）的輸入層，卷積層（大小為3x3的64個filter maps），最大池化層，卷積層（大小為3x3的128個filter maps），最大池化層，Densely-connected層（512個神經元），輸出層為9個神經元。結果是準確性：0.9976，交叉熵：0.0231 CNN 3C 2D由NxN像素（N = 32）的輸入層，卷積層（大小為3x3的64個filter maps），最大池化層，卷積層（大小為3x3的128個filter maps），最大池化層，卷積層組成（大小為3x3的256個filter maps），最大池化層，Densely-connected層（1024個神經元），Densely-connected層（512個神經元），輸出層為9個神經元。結果是準確性：0.9938，交叉熵：0.0257 在論文《Malware Classification Using Image Representation》中，他們使用了2個模型，一個具有4層（2個卷積層和2個dense層）的CNN模型和一個Resnet18。普通的CNN的準確度為95.24％，Resnet的準確度為98.206％。 最後 如您所見，這些論文發表的結果大約檢測到95-98％的惡意軟體，這表明計算機視覺技術比傳統方法更好。與傳統方法相比，深度學習能夠實現非常好的準確性，並且占用的硬體更少。
TTT77941YYDDEE156365GG
文章來源取自於：
每日頭條 https://kknews.cc/code/g4olmoe.html
如有侵權，請來信告知，我們會立刻下架。
DMCA：dmca(at)kubonews.com
聯絡我們：contact(at)kubonews.com
高雄美容電器符合歐盟歐規電路設計高雄安全鑰匙開關設計與電路設計台南照明/整燙縫紉安全迴路設計高雄電玩遊戲符合歐盟歐規電路設計新竹速度安全繼電器
新竹XW系列緊急停止用按鈕開關﹝組合型﹞ 台北除濕機符合歐盟歐規電路設計 優質的接點安全可靠台南液晶電視/OLED符合歐盟歐規電路設計 台南除毛/修足安全迴路設計 警告標籤貼紙，警告標示貼紙製作批發與設計台北HN系列緊急停止用按鈕開關關﹝一體型﹞ 桃園快煮壺/熱水瓶安全迴路設計 更換裝置時可節省成本，因為不需要重新接線台南歐規電路設計與電路設計 台北HE6B型促動開關 警告標籤貼紙，警告標示貼紙製作批發與設計
留言列表
