本文提出了一种新颖的恶意软件二进制文件到图像的转换技术HilEnT，旨在解决传统基于签名的检测方法难以应对未知或变种恶意软件的问题。该方法首先将恶意软件二进制文件通过希尔伯特曲线进行空间填充变换，保留二进制数据的局部相关性；同时结合恶意文件与良性及恶意类别之间的熵特征比较，生成三幅灰度图像。这三幅灰度图像随后被组合成一幅三通道彩色图像，作为机器学习模型的输入，用于恶意软件检测。研究者在四种数据集（Dike、Michael Lester Dataset、Microsoft BIG 2015以及自收集数据集）上进行了有监督的二分类和多分类实验，验证了HilEnT的有效性。为了评估该方法在样本数量有限场景下的鲁棒性，还进行了小样本学习实验。此外，他们探索了通过HOG（方向梯度直方图）与PCA（主成分分析）结合进行特征降维，以提升时间性能。实验结果表明，HilEnT在多个数据集上取得了最先进的检测效果。本文的主要贡献在于提出了一种新的二进制到图像转换范式，融合了空间填充曲线和熵特征，为恶意软件检测提供了新的思路。适合机器学习安全、恶意软件分析方向的研究人员阅读。