文章目录

1 引言

2 相关工作

2.1 恶意软件数据集

2.2 特征提取方法

2.3 选取分类算法

2.4 静态分析技术

3 恶意软件分类模型

3.1 收集样本

3.2 提取特征

3.3 训练模型

3.4 模型测试

4 实验结果

4.1 t-SEN结果

4.2 恶意样本实验结果

4.3 D组样本的实验结果

4.4 结果比较

结束语

文章摘要:为了解决恶意软件分类准确率不高的问题，提出了一种基于N-Gram静态分析技术的恶意软件分类方法。首先，通过N-Gram方法在恶意软件样本中提取长度为2的字节序列；其次，根据提取的特征利用KNN、逻辑回归、随机森林、XGBoost训练基于机器学习的恶意软件分类模型；然后，使用混淆矩阵和对数损失函数对恶意软件分类模型进行评价；最后，将恶意软件分类模型在Kaggle恶意软件数据集中进行训练和测试。实验结果表明，XGBoost和随机森林的恶意软件分类模型准确率分别达到了98.43%和97.93%,Log Loss值分别为0.022 240和0.026 946。与已有方法相比，通过N-Gram进行特征提取的方法可以更准确地对恶意软件进行分类，保护计算机系统免受恶意软件的攻击。

文章关键词:

项目基金: