7、基于图像的恶意软件分类器的鲁棒性分析

基于图像的恶意软件分类器的鲁棒性分析

1. 卷积神经网络基础

1.1 非线性激活函数

在卷积神经网络（CNN）中，为了使计算非线性化，通常会使用激活函数。其中，最常用的是修正线性单元（Rectified Linear Unit，ReLU）。ReLU函数提取其参数的正部分，表达式如下：
[relu(t) = t^+ = \max(0, t), t \in R]

1.2 子采样（池化）

子采样，也称为池化，是一种减小二维矩阵大小的操作，同时保留最相关的信息。具体操作步骤如下：
1. 将原始矩阵分割成固定大小的子矩阵。
2. 从每个子矩阵中提取一个元素。最常用的方法是最大池化（max pooling），即提取子矩阵中的最大值。
3. 执行最大池化操作的神经层称为最大池化层，它通常紧跟在卷积层之后。

子采样不仅可以减小特征图的大小，还能使分类对起始图像的小变换、平移和扭曲具有不变性，从而使CNN能够对图形上下文中的对象进行分类，而不考虑它们的位置。

1.3 分类

分类由一系列称为密集层（dense layers）的层完成。这些层由可变数量的感知器组成，每个感知器都与下一层的所有感知器相连，形成一个密集的连接网络。最后一个密集层通常与一个特定的激活函数——归一化指数函数（softmax）相关联，它以概率的形式表示输入图像属于起始类别的概率。在训练过程中，这些隐藏层通过反向传播算法修改其神经元的权重，从而学会对输入图像进行分类。

CNN模型中，上述神经层的数量可以不同，但顺序通常为卷积、子采样，然后是分类。

2. Dal