恶意软件日益增长的复杂性和精密性对传统检测技术构成了重大挑战。基于特征码检测等传统方法在面对多态和零日恶意软件等高级威胁时效果有限。本研究探索了应用动态图神经网络，利用API调用序列数据集进行恶意软件检测。动态图神经网络作为图神经网络的一种高级形式，能够对动态图进行建模，捕捉API交互的时序和结构演化。借助这些优势，本研究开发并评估了一个基于动态图神经网络的框架，该框架旨在实时有效区分良性与恶意行为，证明其适用于检测复杂、不断演变的恶意软件模式。结果表明，在检测复杂恶意软件模式方面，动态图神经网络优于传统机器学习模型，在不平衡数据集中达到了高达97%的准确率和高达98%的F1分数，在平衡数据集中也取得了有竞争力的结果。该模型在特定配置下实现的ROC-AUC得分也超过了97%，突显了其在识别高级恶意软件模式和对新型威胁的抵御能力方面的有效性。尽管在可扩展性和计算复杂性方面仍存在挑战，但本研究提出了增强实际应用潜力的可能解决方案。这些发现凸显了动态图神经网络变革恶意软件检测、显著提升终端安全性的潜力，使其成为应对现代网络安全不断演变挑战的有力工具。