张银杰，揣锦华，翟晓惠

(长安大学 信息工程学院，陕西 西安 710064)

0 引 言

集成学习算法是近些年来较为流行的基于树的机器学习方法[1]，常用于数据挖掘领域的分类或回归预测任务[2-4]。在此背景下，该文选择kaggle平台的开源数据集，对计算机感染恶意软件这一主题进行二分类预测，以探究集成学习算法在网络安全相关的多维数据预测过程中的应用[5]。主要关注集成学习在特征选择与预测模型建立中的实际运用。对原始数据进行预处理，提出利用原有特征进行时间戳特征的构建使得原数据在时间上有序，也为数据集提供了时间维度的特征。

如何尽可能地展现出原数据集中的有效信息并建立二分类模型，实现对计算机是否感染恶意软件的预测目标是该文研究的主要内容。

1 数据认知与预处理

1.1 数据认知

文中数据来源于kaggle开源数据集，记录了千万台Windows计算机的信息，包括计算机所属地理区域、硬件、防卫软件、操作系统设置等多维信息，共计82个属性。预测标签为属性HasDetections，其包含两个数量相当的类别0和1，当其数值为1时表示感染恶意软件，为0时表示未感染恶意软件。为探究集成学习算法在本数据集上的分类预测作用，采用前200万条数据进行研究。

原始数据集存在大量属性字段，经过初步的数据探索性分析[6]，发现属性字段不同值对预测标签的影响是不同的。例如图1为Census_OSInstallTypeName字段属性值HasDetections率的分布。该字段共包含九个类别值，每个类别值的数量如图中条形图所示，感染恶意软件的概率用折线图表示，可以看出类别之间的感染率存在着差异，部分安装类型下感染率明显超过了0.5均值，说明通过这些安装方式安装操作系统的计算机更容易感染恶意软件。……