| 基于機(jī)器學(xué)習(xí)的惡意軟件檢測研究進(jìn)展及挑戰(zhàn) | |
| 所屬分類：技術(shù)論文 | |
| 上傳者：aetmagazine | |
| 文檔大小：681 K | |
| 標(biāo)簽： 惡意軟件檢測 靜態(tài)檢測 機(jī)器學(xué)習(xí) | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：由于惡意軟件的數(shù)量日漸龐大，攻擊手段不斷更新，結(jié)合機(jī)器學(xué)習(xí)技術(shù)是惡意軟件檢測發(fā)展的一個新方向。先簡要介紹惡意軟件檢測中的靜態(tài)檢測方法以及動態(tài)檢測方法，總結(jié)基于機(jī)器學(xué)習(xí)的惡意軟件檢測一般流程，回顧了研究進(jìn)展。通過使用Ember 2017和Ember 2018數(shù)據(jù)集，分析驗(yàn)證了結(jié)構(gòu)化特征相關(guān)方法，包括隨機(jī)森林(Random Forest，RF)、LightGBM、支持向量機(jī)(Support Vector Machine，SVM)、K-means以及卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗(yàn)證了序列化特征相關(guān)方法，包括幾種常見的深度學(xué)習(xí)算法模型。計算模型以在不同測試集上的準(zhǔn)確率、精確率、召回率以及F1-值作為評估指標(biāo)。根據(jù)實(shí)驗(yàn)結(jié)果分析討論了各類方法的優(yōu)缺點(diǎn)，著重驗(yàn)證分析了樹模型的泛化能力，表明隨著樣本的不斷演變，模型普遍存在退化問題，并指出進(jìn)一步研究方向。 | |
| 現(xiàn)在下載 | |
| VIP會員，AET專家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。 | |
惡意軟件檢測 相關(guān)資源
Copyright ? 2005-2024 華北計算機(jī)系統(tǒng)工程研究所版權(quán)所有 京ICP備10017138號-2