一种基于全域散列的神经网络鲁棒性认证方法

本发明涉及恶意程序检测技术领域，具体提供了一种基于全域散列的神经网络鲁棒性认证方法，通过基于全域散列(Universa l Hashi ng)对深度神经网络的离散输入进行随机变化，从而实现鲁棒性可认证的防御方法。首先，输入软件样本，通过特征提取算法提取软件的离散特征并进行特征预处理。然后，随机选取全域散列函数构建输入变换层，并将变换层融入神经网络模型。其次，在训练集上対全域散列变换的神经网络模型训练；再次，构建基于全域散列变换的神经网络模型预测。最后，面向恶意软件的神经网络鲁棒边界计算。该方法能从理论上支撑恶意软件检测的鲁棒性水平。