基于Stacking算法的惡意軟件檢測方法研究
發(fā)布時間：2021-06-10 23:02
惡意軟件是在計算機系統(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)級增長,惡意攻擊已成為威脅互聯(lián)網(wǎng)安全的關(guān)鍵所在。惡意軟件的檢測方法對于防范安全漏洞、數(shù)據(jù)盜竊和其他危險至關(guān)重要,因此,惡意軟件檢測已經(jīng)成為一個重要的研究領(lǐng)域。傳統(tǒng)的檢測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的正確率和效率。隨著機器學習和深度學習技術(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,并沒有考慮惡意軟件數(shù)據(jù)集的屬性重要度問題,導致檢測效率低,無法凸顯有效信息,另一方面數(shù)據(jù)集的不平衡性會影響惡意軟件檢測的正確率。針對這些問題,本文提出一種基于Stacking算法的惡意軟件檢測方法。主要內(nèi)容包括以下三個方面:（1）針對惡意軟件屬性維度高、篩選重要屬性困難,導致檢測正確率和效率低的問題,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PCA降維算法進行優(yōu)化,從而去除重要度較小的屬性,降低維度的同時得到重要屬性。該方法在保證原有數(shù)據(jù)分布和重要信息的情況下,有效地簡化數(shù)據(jù),凸顯重要信息,降低檢測方法的...
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數(shù)】：67 頁
【學位級別】：碩士
【部分圖文】：
圖２．１隨機森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??
?大連海事大學碩士學位論文???當輸入訓練樣本時，最終的分類結(jié)果由每個決策樹的輸出結(jié)果投票得到，訓練過程??如圖２．１所示。??Ａ……Ａ??Ｉ??１?Ｉ??瑜出??圖２．１隨機森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??２．３．２梯度提升決策樹算法??梯度提升決策樹（ＧＢＤＴ）?＿也叫梯度提升樹，將回歸樹和提升樹的思想結(jié)合在一??起，并將分類與回歸樹作為基學習器的一種集成學習算法，它的繼承方式采用的是梯度??提升（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）。??ＧＢＤＴ算法的訓練過程如圖２．２所示。??＊分類器——？學習?一？加權(quán)?ｑ??■?￣１—????ｉ?＇?＇??????數(shù)據(jù)樣本一－？基分類器一？學習?一？加權(quán)?一一？融合樓型??，基分類器一？學習?一？加權(quán)?—??圖２．２?Ｃ出ＤＴ算法的訓練過程??Ｆｉｇ．?２．２?Ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ＧＢＤＴ?ａｌｇｏｒｉｔｈｍ??梯度提升樹中的每棵決策樹的建立都是在之前決策樹損失函數(shù)的梯度下降方向，將??新產(chǎn)生的預(yù)測值與上一個預(yù)測值所形成的殘差進行匹配，進而對決策模型進行改進。由??于Ｂｏｏｓｔｉｎｇ算法是通過殘差進行學習，ＧＢＤＴ主要是針對偏差的優(yōu)化來達到總體誤差下??降的目的，所以盡管每個基分類器學習能力很弱，也能集成出一個強學習器［３９］。??－９?－??
定類的概率，如果估計的概率大于某一閾值，則模型預(yù)測這個實例屬于該類（稱??為正類，標記為“１”），否則預(yù)測實例不屬于該類（即，它屬于標記為“〇”的負類）。??ＬＲ在計算輸入特征的加權(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)樣本的概率分數(shù)，便于理解和實現(xiàn)。并且??邏輯回歸直接對分類可能性進行建模，避免了進行假設(shè)分布所帶來的不正確問題，同時??具有很好的數(shù)學性質(zhì)，配合正則化參數(shù)可減少過擬合［４１］，訓練速度快，是一個很好的分??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??是通過線性變換將一個高維度的數(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??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：3223279
【文章來源】：大連海事大學遼寧省 211工程院校
【文章頁數(shù)】：67 頁
【學位級別】：碩士
【部分圖文】：
圖２．１隨機森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??
?大連海事大學碩士學位論文???當輸入訓練樣本時，最終的分類結(jié)果由每個決策樹的輸出結(jié)果投票得到，訓練過程??如圖２．１所示。??Ａ……Ａ??Ｉ??１?Ｉ??瑜出??圖２．１隨機森林算法示例圖??Ｆｉｇ．?２．１?Ｆｉｇｕｒｅ?ｏｆ?Ｒａｎｄｏｍ?Ｆｏｒｅｓｔ??２．３．２梯度提升決策樹算法??梯度提升決策樹（ＧＢＤＴ）?＿也叫梯度提升樹，將回歸樹和提升樹的思想結(jié)合在一??起，并將分類與回歸樹作為基學習器的一種集成學習算法，它的繼承方式采用的是梯度??提升（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）。??ＧＢＤＴ算法的訓練過程如圖２．２所示。??＊分類器——？學習?一？加權(quán)?ｑ??■?￣１—????ｉ?＇?＇??????數(shù)據(jù)樣本一－？基分類器一？學習?一？加權(quán)?一一？融合樓型??，基分類器一？學習?一？加權(quán)?—??圖２．２?Ｃ出ＤＴ算法的訓練過程??Ｆｉｇ．?２．２?Ｔｒａｉｎｉｎｇ?ｐｒｏｃｅｓｓ?ｏｆ?ＧＢＤＴ?ａｌｇｏｒｉｔｈｍ??梯度提升樹中的每棵決策樹的建立都是在之前決策樹損失函數(shù)的梯度下降方向，將??新產(chǎn)生的預(yù)測值與上一個預(yù)測值所形成的殘差進行匹配，進而對決策模型進行改進。由??于Ｂｏｏｓｔｉｎｇ算法是通過殘差進行學習，ＧＢＤＴ主要是針對偏差的優(yōu)化來達到總體誤差下??降的目的，所以盡管每個基分類器學習能力很弱，也能集成出一個強學習器［３９］。??－９?－??
定類的概率，如果估計的概率大于某一閾值，則模型預(yù)測這個實例屬于該類（稱??為正類，標記為“１”），否則預(yù)測實例不屬于該類（即，它屬于標記為“〇”的負類）。??ＬＲ在計算輸入特征的加權(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)樣本的概率分數(shù)，便于理解和實現(xiàn)。并且??邏輯回歸直接對分類可能性進行建模，避免了進行假設(shè)分布所帶來的不正確問題，同時??具有很好的數(shù)學性質(zhì)，配合正則化參數(shù)可減少過擬合［４１］，訓練速度快，是一個很好的分??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??是通過線性變換將一個高維度的數(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??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：3223279
本文鏈接：http://www.sikaile.net/guanlilunwen/lindaojc/3223279.html
教材專著
