李莹珠

(北京邮电大学网络空间安全学院 北京 100876)

基于集成学习的恶意代码检测方法研究

李莹珠

(北京邮电大学网络空间安全学院 北京 100876)

网络时代带来了生活上的种种便利，也带来了恶意代码的爆发式增长。报告指出，恶意代码的数量和种类都在快速增长，其中，恶意代码种类的增长对恶意代码检测的影响影响尤为突出。使用分类算法进行恶意代码检测是现在的一个热门研究方向，而繁多的恶意代码种类会极大地削弱分类效果。鉴于这种情况，本文提出了一种基于集成学习的恶意代码检测方法，该方法首先用DBScan算法对训练样本进行聚类，再用聚类得到的各个簇训练SVM分类器，对未知样本进行检测时，首先将待检测样本分类到训练得到的各个簇中，然后输入对应的SVM分类器进行分类，判断是否为恶意代码。实验结果表明，这种方法的准确率相对于直接使用SVM分类有明显提高，达到了较好的检测效果。

恶意代码检测；集成学习；DBScan聚类；支持向量机

本文著录格式：李莹珠. 基于集成学习的恶意代码检测方法研究[J]. 软件，2016，37（12）：202-205

0 引言

在电子计算机技术快速发展的现在，恶意代码的威胁性也在日益增加。恶意代码数量的增长呈现出爆发态势，从赛门铁克公司的安全威胁报告中可以看出，每年的恶意代码增量都是前一年的十倍以上。而恶意代码的海量变种与繁多的种类也进一步加大了检测的难度。与此同时，机器学习的发展极大地带动了恶意代码检测方法的研究。……