| 基于機器學習的惡意軟件檢測研究進展及挑戰 | |
| 所屬分類：技術論文 | |
| 上傳者：aetmagazine | |
| 文檔大?。?span>681 K | |
| 標簽： 惡意軟件檢測 靜態檢測 機器學習 | |
| 所需積分：0分積分不夠怎么辦？ | |
| 文檔介紹：由于惡意軟件的數量日漸龐大，攻擊手段不斷更新，結合機器學習技術是惡意軟件檢測發展的一個新方向。先簡要介紹惡意軟件檢測中的靜態檢測方法以及動態檢測方法，總結基于機器學習的惡意軟件檢測一般流程，回顧了研究進展。通過使用Ember 2017和Ember 2018數據集，分析驗證了結構化特征相關方法，包括隨機森林(Random Forest，RF)、LightGBM、支持向量機(Support Vector Machine，SVM)、K-means以及卷積神經網絡(Convolutional Neural Network，CNN)等算法模型；使用收集的2019年樣本集分析驗證了序列化特征相關方法，包括幾種常見的深度學習算法模型。計算模型以在不同測試集上的準確率、精確率、召回率以及F1-值作為評估指標。根據實驗結果分析討論了各類方法的優缺點，著重驗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，并指出進一步研究方向。 | |
| 現在下載 | |
| VIP會員，AET專家下載不扣分；重復下載不扣分，本人上傳資源不扣分。 | |
Copyright ? 2005-2024 華北計算機系統工程研究所版權所有 京ICP備10017138號-2