1.基于DNN的多态蠕虫特征码自动提取方法，其特征在于，步骤如下：

1)模型结构：

1.1)定义：

输入为a1,a2,…,aM组成M个ASCII码的序列，这些ASCII码组成大小为|V|＝V的词典V；

序列b1,b2,…,bN表示特征码；

集合X表示所有的有效载荷数据，集合Y为所有可能出现的特征码；

1.2)将多态蠕虫有效载荷a作为输入，并输出长度为N；通过评分函数可知，对局部条件概率分布建模：p(bi+1|a,bc；θ)；采用神经网络机器翻译的做法，将条件概率分布参数化为一个神经网络，其包括一个神经网络语言模型和一个作为条件特征码生成模型的编码器；

2)建立深度神经网络模型：基于标准的前馈神经网络语言模型，构建包含4个隐藏层的深度神经网络模型，对于隐藏层的激活函数，选择使用ReLU；完整的DNN网络模型为：p(bi+1|bc,a；θ)∝exp(Vh””+W*enc(a,bc))            (2)h”＝relu(U'h')                       (5)h”'＝relu(U”h”)                   (6)h””＝relu(U”'h”')                  (7)在上述公式中：

enc表示基于Attention编码器，返回一个大小为H的向量，表示多态蠕虫有效载荷和对应特征码的上下文；

参数θ＝(E,U,U',U”,U”',V,W)， 是特征码的ASCII码嵌入矩阵；

表示权重矩阵；

D表示ASCII码嵌入的大小；

V表示蠕虫有效载荷组成的字典的大小；

H表示隐藏层中隐藏单元的数量；

C表示特征码中上下文大小；

3)Attention的编码器：

使用Attention的编码器，构造基于多态蠕虫有效载荷和特征码上下文的表示，该编码器中，定义区间[x,y]为特征提取窗口取值范围，从窗口值中反映出模型对蠕虫有效载荷中关键特征信息的关注程度；

4)提取多态蠕虫特征码：

基于DNN的多态蠕虫特征码自动提取算法，找到一个特征码b'∈Y使得：利用多态蠕虫有效载荷的特点，在提取特征码时，采用Signature Beam Search算法，用于求解argmax函数；

4.1)使用Signature Beam Search算法求解argmax函数时，采用全局搜索的方式来提取多态蠕虫特征码，在搜索的过程中通过判断预测的ASCII码和前一个已预测的ASCII码在多态蠕虫有效载荷中的位置是否相邻，来选择合适的ASCII码；

4.2)在提取多态蠕虫特征码时，限制特征码中的每个位置有K个候选项，在输出预测的特征码之前，通过对候选的K个特征码的对数概率值进行排序，从而选择出最优的特征码。

2.根据权利要求1所述的基于DNN的多态蠕虫特征码自动提取方法，其特征在于：所述的步骤3)中：在编码多态蠕虫有效载荷时，Attention选择固定长度的蠕虫有效载荷上下文进行学习，具体的公式描述如下：公式中：

表示特征码上下文嵌入矩阵；

表示权重矩阵；

表示有效载荷的嵌入矩阵；

Q是注意力窗口的大小；

定义区间[x,y]为特征提取窗口的取值范围，当窗口值小于x或者窗口值大于y时，模型无法学习到有效的特征。

3.根据权利要求1所述的基于DNN的多态蠕虫特征码自动提取方法，其特征在于：所述的步骤4)中：Signature beam Search算法描述如下：上述算法中：

b_i1_index表示预测的ASCII码bi+1在有效载荷数据中的索引；

b_i_index表示预测ASCII码bi在有效载荷数据中的索引；

‘257’代表特征之间的分隔符；

bpredict＝{b1,b2,…,bV}表示在特征码中第i+1处预测的V个ASCII码。