一种互联网恶意代码处置方法

    公开(公告)号:CN103942491A

    公开(公告)日:2014-07-23

    申请号:CN201310729190.6

    申请日:2013-12-25

    CPC classification number: G06F21/552 G06F21/56

    Abstract: 本发明公开了一种互联网恶意代码处置方法,包括:步骤S101,匹配可疑样本,计算可疑样本文件的哈希值,与已分析样本进行对比,判断是否已经分析过,如果是,则直接返回该可疑样本的已有分析结果;如果否,则转步骤S102;步骤S102,对于未分析过的可疑样本,调用杀毒引擎进行病毒扫描,判断该可疑样本是否属于已知恶意代码,如果是,则获得该恶意代码的信息;如果否,则转步骤S103;步骤S103,当可疑样本属于未知恶意代码时,进行全面的动态分析,得到恶意代码分析报告。本发明能自动快速分析各种恶意代码,生成恶意代码分析报告,为研究恶意代码防御和清除方法提供依据。

    一种图像匹配方法及系统
    65.
    发明授权

    公开(公告)号:CN102521838B

    公开(公告)日:2013-11-27

    申请号:CN201110427104.7

    申请日:2011-12-19

    Abstract: 本发明公开了一种图像检索/匹配方法。该方法首先求取两幅图像的初始匹配特征点集,然后判断并消除误匹配特征点对,再根据正确匹配特征点对的数量判断两幅图像是否匹配;其中,判断是否为误匹配特征点对,包括:在两幅图像中,分别以初始匹配特征点为中心,将图像均划分为两个以上的区域,并对各区域编号;在两幅图像中,分别以其他各初始匹配特征点所处区域的编号构成的矢量来描述该初始匹配特征点的全局特征;对两个矢量进行比较,如果相似度达到要求,则为正确的匹配特征点对。本发明方法不仅适应于图像尺度变化、图像嵌套、视角变化等复杂情况下的图像检索,而且具有较高的检索效率和识别准确率。本发明还相应公开了一种图像检索/匹配系统。

    面向移动应用WebView页面用户敏感输入的检测方法及相关设备

    公开(公告)号:CN118673492A

    公开(公告)日:2024-09-20

    申请号:CN202410531244.6

    申请日:2024-04-29

    Abstract: 本申请提供一种面向移动应用WebView页面用户敏感输入的检测方法及相关设备。通过对待测移动应用进行动态执行,获取多个第一页面布局文件;对多个第一页面布局文件进行自动化测试,得到第二页面布局文件;通过组件识别方法识别第二页面布局文件和与第二页面布局文件对应的页面截图,得到能够接收用户输入的敏感组件集合;识别页面截图的文本信息,通过预先训练好的模型得到候选文本和候选文本位置坐标;根据敏感组件和敏感组件位置坐标,候选文本和候选文本位置坐标,确定与敏感组件匹配的提示词;根据提示词,确定敏感组件收集的信息类型,最终能够输出移动应用WebView页面的用户敏感输入,对于移动应用隐私合规分析具有重要意义。

    一种路由异常检测和处置方法
    68.
    发明公开

    公开(公告)号:CN117675290A

    公开(公告)日:2024-03-08

    申请号:CN202311524841.8

    申请日:2023-11-15

    Abstract: 本发明是有关于一种路由异常检测和处置方法,首先根据实时的路由快照和路由更新报文信息,在内存构建实时的全球路由前缀可达信息视图;然后,提取实时的路由前缀归属信息、路由传输路径三元组关系信息以及路由前缀可见性信息,再根据路由异常的特征快速检测路由异常事件。其处置方法是首先对路由事件进行定级和影响评估;然后确定事件源头和确定涉事组织机构;最后针对不同的路由异常事件类型制定不同的应急处置模版,下发到涉事组织机构,进行协同处置。本发明解决了严重影响网络和服务的性能,对行业应用造成巨大经济损失,对网络运营产生重大影响的问题,使其可以快速检测路由异常事件并进行处置,提高网络运营商路由异常事件处置能力。

    基于生成对抗网络的恶意代码检测方法

    公开(公告)号:CN111832019B

    公开(公告)日:2024-02-23

    申请号:CN202010524261.9

    申请日:2020-06-10

    Abstract: 本发明涉及一种基于生成对抗网络的恶意代码检测方法,包括:采集恶意代码样本集和良性样本集;提取恶意代码样本集和良性样本集中每一样本的静态特征和动态特征;将每一样本的静态特征和动态特征进行组合,得到每一样本组合特征;将所有样本组合特征输入预先设置的生成器G中,生成对抗样本集;将对抗样本集输入预先设置的判别器D中,判别每个对抗样本是否为恶意代码,并标记是否为恶意代码的标签,再将附带标签的对抗样本集反馈到生成器G中,持续优化所述生成器G;将附带标签的对抗样本集作为训练集进行训练,得到恶意代码分类模型;基于恶意代码分类模型检测待测样本是否为恶意代码。本发明提高了恶意代码检测的准确度和效

Patent Agency Ranking