本文提出一种面向云防病毒环境的勒索软件检测增强方案。传统基于主机的恶意软件检测存在资源消耗大等问题，云防病毒（Cloud Antivirus）虽能缓解此问题，但对复杂的多态恶意软件和特权恶意软件仍力不从心，且难以应对破坏性勒索软件攻击。作者提出在现有云防病毒解决方案中引入基于深度学习的块快照（Block Snapshot）分析机制，在虚拟化环境中识别具备逃避能力和高权限的勒索软件，且无需依赖特殊硬件支持。该方法利用复制卷的快照数据，通过神经网络模型分析文件系统层的变更模式，从而检测勒索软件特有的加密行为。初步实验验证了该方法的可行性和有效性。该研究的核心贡献在于：一是将勒索软件检测置于云侧，利用虚拟化快照的天然优势；二是通过深度学习自动提取特征，减少对已知签名的依赖；三是对抗特权级恶意软件，因为快照分析独立于客户端操作系统，恶意软件难以干扰。本文适合云安全、恶意软件检测和深度学习应用方向的研究人员及安全工程师阅读，可作为设计下一代云防病毒系统或勒索软件防护机制的参考。