本申请涉及网络安全，特别涉及一种模型训练方法、设备及装置。
背景技术：
1、随着信息技术的快速发展，恶意程序（如病毒、木马、蠕虫和勒索软件等）已经成为现代计算环境中的主要威胁。例如恶意程序可以会造成用户数据泄露、隐私侵犯、系统瘫痪以及网络感染等问题。
2、然而，恶意程序检测并非易事。随着攻击技术的不断进化，恶意程序变得越来越复杂，采用了多种规避检测的策略。例如，一些恶意程序会进行伪装，伪装后的恶意程序难以被传统的检测方法识别，则容易被攻击者绕过，从而影响检测的效果和可靠性。
3、因此，开发和优化恶意程序检测技术以应对这些挑战，是网络安全领域的一项持续性任务。
技术实现思路
1、本申请提供一种模型训练方法、设备及装置，用以解决现有技术中恶意程序会进行伪装，导致难以被识别的问题。
2、第一方面，本申请提供一种模型训练方法，所述方法包括：
3、获取训练样本集，所述训练样本集中包含多个样本程序，以及所述多个样本程序中的每个样本程序对应的多个多模态样本；其中，每个样本程序对应的多个多模态样本分别表征不同模态类型的信息；
4、基于所述训练样本集对待训练的恶意程序检测模型进行迭代训练，获得已训练的恶意程序检测模型，其中，在每一轮迭代训练中，执行以下操作：
5、针对所述训练样本集中的每个样本程序，分别执行如下操作：基于所述样本程序对应的多个多模态样本之间的第一相似度，以及所述样本程序对应的多个多模态样本各自与所述训练样本集中其他多模态样本之间的第二相似度，确定所述样本程序的对齐损失值；
6、基于所述训练样本集中每个样本程序的对齐损失值，对所述恶意程序检测模型进行调参。
7、上述方案，在获得样本程序以及每个样本程序对应的多个多模态样本后，结合不同模态类型的多模态样本的信息，在语义空间中对不同模态类型的多模态样本的信息进行对齐，保证不同模态类型的信息在语义空间中的语义一致性，使得可以在多种模态类型的信息去识别恶意程序，并且保证多种模态类型的信息的一致性，从而提高恶意程序检测模型的准确性和鲁棒性。
8、一些可选的实施方式中，所述多个多模态样本包括文本模态样本、图像模态样本和代码模态样本；
9、所述文本模态样本用于表征机器语言类型的信息，所述图像模态样本用于表征视觉类型的信息，所述代码模态样本用于表征代码逻辑类型的信息。
10、一些可选的实施方式中，所述基于所述样本程序对应的多个多模态样本之间的第一相似度，以及所述样本程序对应的多个多模态样本各自与所述训练样本集中其他多模态样本之间的第二相似度，确定所述样本程序的对齐损失值，包括：
11、分别确定所述样本程序对应的多个多模态样本的模态向量；
12、针对所述样本程序对应的每个多模态样本，分别执行如下操作：基于所述多模态样本的模态向量与所述样本程序对应的其他模态向量，确定所述多模态样本分别与所述样本程序对应的其他多模态样本之间的第一相似度；基于所述多模态样本的模态向量与所述训练样本集中其他样本程序对应的模态向量，确定所述多模态样本分别与其他样本程序对应的多模态样本之间的第二相似度；基于所述多模态样本分别与所述样本程序对应的其他多模态样本之间的第一相似度，以及所述多模态样本分别与其他样本程序对应的多模态样本之间的第二相似度，确定所述多模态样本的对齐损失值；
13、基于所述样本程序对应的多个多模态样本的对齐损失值，确定所述样本程序对应的对齐损失值。
14、一些可选的实施方式中，所述基于所述样本程序对应的每个多模态样本各自对应的对齐损失值，确定所述样本程序对应的对齐损失值，包括：
15、将所述样本程序对应的多个多模态样本各自的对齐损失值的均值作为所述样本程序的对齐损失值。
16、一些可选的实施方式中，所述训练样本集中的每个样本程序具有训练标签，所述基于所述训练样本集中每个样本程序的对齐损失值，对所述恶意程序检测模型进行调参，包括：
17、针对所述训练样本集中的每个样本程序，基于所述样本程序对应的多个多模态样本，确定所述样本程序的预测标签，并基于所述样本程序的所述预测标签和所述训练标签，确定所述样本程序对应的标签损失值；
18、基于所述训练样本集中每个样本程序的对齐损失值和标签损失值，确定总损失值；
19、基于所述总损失值对所述恶意程序检测模型进行调参。
20、一些可选的实施方式中，所述基于所述样本程序对应的多个多模态样本，确定所述样本程序的预测标签，包括：
21、对所述样本程序对应的多个模态向量进行拼接，确定所述样本程序对应的模态拼接向量；所述多个模态向量是根据所述样本程序对应的多个多模态样本分别确定的；
22、基于所述样本程序对应的模态拼接向量，确定所述样本程序对应的预测标签。
23、第二方面，本申请实施例提供了模型训练装置，所述装置包括：
24、获取模块，用于获取训练样本集，所述样本集中包含多个样本程序，以及所述多个样本程序中的每个样本程序对应的多个多模态样本；其中，每个样本程序对应的多个多模态样本分别表征不同模态类型的信息；
25、训练模块，用于基于所述训练样本集对待训练的恶意程序检测模型进行迭代训练，获得已训练的恶意程序检测模型，其中，在每一轮迭代训练中，执行以下操作：针对所述训练样本集中的每个样本程序，分别执行如下操作：基于所述样本程序对应的多个多模态样本之间的第一相似度，以及所述样本程序对应的多个多模态样本各自与所述训练样本集中其他多模态样本之间的第二相似度，确定所述样本程序的对齐损失值；基于所述训练样本集中每个样本程序的对齐损失值，对所述恶意程序检测模型进行调参。
26、第三方面，本申请实施例提供一种电子设备，包括至少一个处理器以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行上述第一方面任一所述方法的步骤。
27、第四方面，本申请实施例提供一种计算机可读存储介质，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行上述第一方面任一所述方法的步骤。
28、第五方面，本申请实施例提供一种计算机程序产品，其包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行该计算机程序，使得所述电子设备执行第一方面任一所述方法的步骤。
1.一种模型训练方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述多个多模态样本包括文本模态样本、图像模态样本和代码模态样本；
3.如权利要求1所述的方法，其特征在于，所述基于所述样本程序对应的多个多模态样本之间的第一相似度，以及所述样本程序对应的多个多模态样本各自与所述训练样本集中其他多模态样本之间的第二相似度，确定所述样本程序的对齐损失值，包括：
4.如权利要求3所述的方法，其特征在于，所述基于所述样本程序对应的每个多模态样本各自对应的对齐损失值，确定所述样本程序对应的对齐损失值，包括：
5.如权利要求1所述的方法，其特征在于，所述训练样本集中的每个样本程序具有训练标签，所述基于所述训练样本集中每个样本程序的对齐损失值，对所述恶意程序检测模型进行调参，包括：
6.如权利要求5所述的方法，其特征在于，所述基于所述样本程序对应的多个多模态样本，确定所述样本程序的预测标签，包括：
7.一种模型训练装置，其特征在于，所述装置包括：
8.一种电子设备，其特征在于，包括至少一个处理器以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行如权利要求1至6任一所述的方法。
9.一种计算机可读存储介质，其特征在于，其存储有可由计算机执行的计算机程序，当所述程序在所述计算机上运行时，使得所述计算机执行如权利要求1至6任一所述的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品在被计算机调用时，使得所述计算机执行如权利要求1至6任一项所述的方法。
