摘要

近期恶意软件攻击的频率和规模不断上升，突显了在不断演变的网络安全环境中迅速而准确地对恶意软件进行分类的迫切需求。主要挑战之一在于准确区分关系密切的恶意软件家族。为应对这一不断变化的威胁态势，本文提出了一种新颖的架构——LeViT-MC，该架构在恶意软件检测和分类方面取得了最先进的成果。LeViT-MC利用了基于视觉变换器（Vision Transformer）的架构、图像可视化方法以及先进的迁移学习技术。使用MaleVis数据集进行多类别恶意软件分类实验的结果表明，LeViT-MC相比现有模型具有显著优势。本研究强调了结合图像技术和迁移学习技术的重要性，其中视觉变换器处于对抗不断演化的网络威胁的前沿。我们提出的LeViT-MC不仅在图像分类方面达到了最先进水平，而且在时间效率上也更具优势。