(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211471064.0 (22)申请日 2022.11.23 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 王剑　陈炯峄　黄恺杰　苏云飞　 胡鸿略　李瑞林　冯超　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 乔图 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/35(2019.01)G06F 21/56(2013.01) (54)发明名称 一种样本筛选方法、 装置、 设备及计算机可 读存储介质 (57)摘要 本发明公开了一种样本筛选方法、 装置、 设 备及计算机可读存储介质， 应用于网络安全领 域， 包括： 获取待筛选样本对应的待筛选恶意代 码特征； 计算待筛选恶意代码特征对应的待筛选 特征向量； 调用恶意代码检测基础模 型计算待筛 选特征向量对应的置信度和伪标签； 计算待筛选 特征向量对应的汉明距离值； 调用收益风险评估 模型计算待筛选特征向量对应的收益风险评估 值； 收益风险评估模型中包括置信度参数和汉明 距离值参数； 根据收益风险评估值对待筛选特征 向量进行筛选， 得到带伪标签的目标样本。 本发 明通过收益风险模型从收益与风险角度进行样 本筛选， 通过恶意代码检测基础模 型对样本伪标 签进行标注， 提高了样本的筛选速度， 减少伪标 签标记错 误情况的发生。 权利要求书2页 说明书12页 附图3页 CN 115511015 A 2022.12.23 CN 115511015 A 1.一种样本 筛选方法， 其特 征在于， 包括： 获取待筛 选样本对应的待筛 选恶意代码特 征； 计算所述待筛 选恶意代码特 征对应的待筛 选特征向量； 调用恶意代码检测基础模型， 计算所述待筛选特征向量对应的置信度和伪标签； 其中， 所述恶意代码检测基础模型由贝叶斯深度学习模型训练而得； 计算所述待筛 选特征向量对应的汉明距离值； 调用收益风险评估模型， 计算所述待筛选特征向量对应的收益风险评估值； 其中， 所述 收益风险评估 模型中包括置信度参数和汉明距离值 参数； 根据所述收益风险评估值对所述待筛选特征向量进行筛选， 得到带伪标签的目标样 本。 2.根据权利要求1所述的样本筛选方法， 其特征在于， 在所述调用恶意代码检测基础模 型之前， 还 包括： 获取基础模型训练集； 计算所述基础模型训练集对应的训练特 征向量集； 利用所述贝叶斯深度学习模型对所述训练特 征向量集进行训练， 得到所述恶意代码检测基础模型。 3.根据权利要求1所述的样本筛选方法， 其特征在于， 所述根据 所述收益风险评估值对 所述待筛 选特征向量进行筛 选， 得到带伪标签的目标样本之后， 还 包括： 将所述带伪标签的目标样本发送给所述恶意代码检测基础模型， 以训练所述恶意代码 检测基础模型。 4.根据权利要求1至3任一项所述的样本筛选方法， 其特征在于， 在所述调用收益风险 评估模型之前， 还 包括： 获取待 训练收 益风险 评估模型 ； 其中 ， 所述待 训练收 益风险 评估模型为 ； 其中， 表示置信度， 表示汉明距离值， 、 和 为初始化 值； 获取收益风险模型训练集， 并根据 所述收益风险模型训练集和所述待训练收益风险评 估模型对 进行训练， 得到所述 、 和 对应的 和 ， 确定所述 收益风险评估模型为 ； 其中， 为差异函数， 所述差 异函数 ， g(x,y)为恶意代码检测基础模型的损失函数。 5.根据权利要求 4所述的样本 筛选方法， 其特 征在于， 所述 的计算方式， 包括： 根据所述恶意代码检测基础模型计算所述 ； 其中 ， 所述 的计算公式为 ， c表示类别, 表示根据所 述恶意代码检测基础模型第t次计算得到的预测结果，权　利　要　求　书 1/2 页 2 CN 115511015 A 2， 其中,y表示 为该次预测的类别。 6.根据权利要求4所述的样本筛选方法， 其特征在于， 所述根据 所述收益风险模型训练 集和所述待训练收益 风险评估 模型对 进行训练， 包括： 根据所述收益风险模型训练集和所述待训练收益风险评估模型， 使用梯度下降算法对 所述 进行训练， 得到所述收益 风险评估 模型。 7.根据权利要求1所述的样本筛选方法， 其特征在于， 所述获取待筛选样本对应的待筛 选恶意代码特 征， 包括： 按预设时间周期获取 所述待筛 选样本对应的待筛 选恶意代码特 征集。 8.一种样本 筛选装置， 其特 征在于， 包括： 待筛选恶意代码特 征获取模块， 用于获取待筛 选样本对应的待筛 选恶意代码特 征； 待筛选特征向量计算模块， 用于计算所述待筛选恶意代码特征对应的待筛选特征向 量； 置信度和伪标签计算模块， 用于调用恶意代码检测基础模型， 计算所述待筛选特征向 量对应的置信度和伪标签； 其中， 所述恶意代码检测基础模型由贝叶斯深度学习模型训练 而得； 汉明距离值计算模块， 用于计算所述待筛 选特征向量对应的汉明距离值； 收益风险评估值计算模块， 用于调用收益风险评估模型计算所述待筛选特征向量对应 的收益风险评估值； 其中， 所述收益 风险评估 模型中包括置信度参数和汉明距离值 参数； 样本筛选模块， 用于根据所述收益风险评估值对所述待筛选特征向量进行筛选， 得到 带伪标签的目标样本 。 9.一种样本 筛选设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1至7任一项所述的样本筛选方法 的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至7任一项 所述的样本筛选方法的 步骤。权　利　要　求　书 2/2 页 3 CN 115511015 A 3