电子测量技术

作者：朱雪金，李沈洋，李燕

单位：1.无锡学院物联网工程学院 无锡 214105;2.南京信息工程大学计算机学院、网络空间安全学院 南京 210044

关键词：恶意软件家族分类;静态特征RGB图像;动态原型;对比学习;小样本学习

基金：异构工业物联网中恶意软件变体的传播机理及抑制策略研究项目（2024r005）资助

为解决小样本条件下安卓恶意软件家族分类中模型泛化性差导致准确率低的问题，本文提出一种监督对比学习驱动的动态原型网络框架 SupProto。该框架采用监督对比学习（SupCon）优化特征嵌入空间，以提升类间分离度和类内紧致性；同时结合基于层次聚类与轮廓系数的动态原型机制，以适应家族内部多模态结构差异。在输入与编码设计方面，本方法通过多源静态特征构建 RGB 图像输入，提供统一且具判别性的恶意软件表示，并利用 DenseNet121 网络结合 CBAM 注意力机制强化特征提取能力。实验结果表明，在 Drebin 和 CIC InvesAndMal2019 两个公开数据集上，SupProto 在 5-way 5-shot 设置下的分类准确率分别达到 90.59% 和 85.64%，在 5-way 1-shot 设置下的准确率分别为 75.56% 和 67.96%。

来源：2026年第3期

《电子测量技术》期刊编辑部

查看电子测量技术杂志2026年第3期