惡意軟件是在計(jì)算機(jī)系統(tǒng)上執(zhí)行惡意任務(wù)的程序。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,惡意軟件攻擊的頻率呈指數(shù)級(jí)增長(zhǎng),惡意攻擊已成為威脅互聯(lián)網(wǎng)安全的關(guān)鍵所在。惡意軟件的檢測(cè)方法對(duì)于防范安全漏洞、數(shù)據(jù)盜竊和其他危險(xiǎn)至關(guān)重要,因此,惡意軟件檢測(cè)已經(jīng)成為一個(gè)重要的研究領(lǐng)域。傳統(tǒng)的檢測(cè)方法容易受到混淆和變形技術(shù)的干擾,這些干擾降低了惡意軟件檢測(cè)的正確率和效率。隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的興起,部分研究人員已經(jīng)將這兩種技術(shù)應(yīng)用到惡意軟件檢測(cè)的領(lǐng)域中,并取得了顯著效果,但是現(xiàn)有的惡意軟件研究中,并沒(méi)有考慮惡意軟件數(shù)據(jù)集的屬性重要度問(wèn)題,導(dǎo)致檢測(cè)效率低,無(wú)法凸顯有效信息,另一方面數(shù)據(jù)集的不平衡性會(huì)影響惡意軟件檢測(cè)的正確率。針對(duì)這些問(wèn)題,本文提出一種基于Stacking算法的惡意軟件檢測(cè)方法。主要內(nèi)容包括以下三個(gè)方面:（1）針對(duì)惡意軟件屬性維度高、篩選重要屬性困難,導(dǎo)致檢測(cè)正確率和效率低的問(wèn)題,本文利用天牛須搜索算法能夠?qū)ふ易顑?yōu)值的特性以及屬性重要度公式,對(duì)PCA降維算法進(jìn)行優(yōu)化,從而去除重要度較小的屬性,降低維度的同時(shí)得到重要屬性。該方法在保證原有數(shù)據(jù)分布和重要信息的情況下,有效地簡(jiǎn)化數(shù)據(jù),凸顯重要信息,降低檢測(cè)方法的... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１隨機(jī)森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??

?大連海事大學(xué)碩士學(xué)位論文???當(dāng)輸入訓(xùn)練樣本時(shí)，最終的分類結(jié)果由每個(gè)決策樹(shù)的輸出結(jié)果投票得到，訓(xùn)練過(guò)程??如圖２．１所示。??Ａ……Ａ??Ｉ??１?Ｉ??瑜出??圖２．１隨機(jī)森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??２．３．２梯度提升決策樹(shù)算法??梯度提升決策樹(shù)（ＧＢＤＴ）?＿也叫梯度提升樹(shù)，將回歸樹(shù)和提升樹(shù)的思想結(jié)合在一??起，并將分類與回歸樹(shù)作為基學(xué)習(xí)器的一種集成學(xué)習(xí)算法，它的繼承方式采用的是梯度??提升（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）。??ＧＢＤＴ算法的訓(xùn)練過(guò)程如圖２．２所示。??＊分類器——？學(xué)習(xí)?一？加權(quán)?ｑ??■?￣１—????ｉ?＇?＇??????數(shù)據(jù)樣本一－？基分類器一？學(xué)習(xí)?一？加權(quán)?一一？融合樓型??，基分類器一？學(xué)習(xí)?一？加權(quán)?—??圖２．２?Ｃ出ＤＴ算法的訓(xùn)練過(guò)程??Ｆｉｇ．?２．２?Ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ＧＢＤＴ?ａｌｇｏｒｉｔｈｍ??梯度提升樹(shù)中的每棵決策樹(shù)的建立都是在之前決策樹(shù)損失函數(shù)的梯度下降方向，將??新產(chǎn)生的預(yù)測(cè)值與上一個(gè)預(yù)測(cè)值所形成的殘差進(jìn)行匹配，進(jìn)而對(duì)決策模型進(jìn)行改進(jìn)。由??于Ｂｏｏｓｔｉｎｇ算法是通過(guò)殘差進(jìn)行學(xué)習(xí)，ＧＢＤＴ主要是針對(duì)偏差的優(yōu)化來(lái)達(dá)到總體誤差下??降的目的，所以盡管每個(gè)基分類器學(xué)習(xí)能力很弱，也能集成出一個(gè)強(qiáng)學(xué)習(xí)器［３９］。??－９?－??

定類的概率，如果估計(jì)的概率大于某一閾值，則模型預(yù)測(cè)這個(gè)實(shí)例屬于該類（稱??為正類，標(biāo)記為“１”），否則預(yù)測(cè)實(shí)例不屬于該類（即，它屬于標(biāo)記為“〇”的負(fù)類）。??ＬＲ在計(jì)算輸入特征的加權(quán)和方面與線性回歸一樣，但是它并不像線性回歸那樣直接輸??出最終結(jié)果，而是輸出該結(jié)果的估計(jì)概率，如公式（２．１）所示??Ｐ?＝?ｈｅ、ｘ、＝?ＣＴ（０ｒ?．ｘ）?（２１）??邏輯回歸的函數(shù)如公式（２．２）所示［４Ｑ］。??〇■（／）＝－?—￣－??ｌ?＋?ｅｘｐ（－〇?（２．２）??邏輯回歸的圖像Ｗ如圖２．３所示。??１．０????????ｏｓ－?—??０．６?／??〇．４?ｙ??０．２?－??０．０???—＂???－１０?－５?０?５?１０??圖２．３邏輯回歸預(yù)測(cè)圖??Ｆｉｇ．?２．３?Ｌｏｇｉｓｔｉｃ?Ｒｅｇｒｅｓｓｉｏｎ?ｍｏｄｅｌ?ｐｒｅｄｉｃｔｉｏｎ??由圖像可以看出，邏輯回歸可以得到數(shù)據(jù)樣本的概率分?jǐn)?shù)，便于理解和實(shí)現(xiàn)。并且??邏輯回歸直接對(duì)分類可能性進(jìn)行建模，避免了進(jìn)行假設(shè)分布所帶來(lái)的不正確問(wèn)題，同時(shí)??具有很好的數(shù)學(xué)性質(zhì)，配合正則化參數(shù)可減少過(guò)擬合［４１］，訓(xùn)練速度快，是一個(gè)很好的分??類工具。??２．?３．?４?ＰＣＡ?算法??主成分分析（ＰＣＡ）算法是一種被廣泛應(yīng)用于數(shù)據(jù)降維領(lǐng)域的算法，它的主要思想??是通過(guò)線性變換將一個(gè)高維度的數(shù)據(jù)集轉(zhuǎn)換成低維度的數(shù)據(jù)集，并且各維度之間線性無(wú)??關(guān)。??假定Ｊ空間的數(shù)據(jù)樣本集￡＞?＝丨（＼＞〇，．．．，（；＾；；，），．．．，（＾）丨，其線性變化后得到〃＇維??空間中的數(shù)據(jù)樣本集為公式（２．３）所示。??Ｚ?＝?ＷｔＤ?（２．３）??


本文編號(hào)：3223279