可扩展的APT恶意软件分类：通过并行特征提取和GPU加速学习

本文针对恶意软件分类中的一个关键问题，即将恶意可执行文件映射到已知的高级持续性威胁（APT）组，提出了一种自动化和加速的框架。通过结合开源反向工程工具与并行计算脚本，显著提高了特征提取的效率，并采用卷积神经网络（CNNs）和GPU加速提高了分类模型的性能，克服了传统模型在处理n-gram序列时的局限性。

本文提出了一种自动化框架，旨在将恶意可执行文件映射到已知APT组。通过结合开源工具和并行计算，提高特征提取效率，并利用CNN和GPU加速分类性能，克服传统模型的局限性。

APT组 CNN apt gpu 恶意可执行文件 恶意软件 特征提取 自动化框架
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友