基于 RFECV 特征选择技术与无该技术下可解释机器学习模型在勒索软件分类中的性能比较分析
密码学与安全
2022-12-12 v1
摘要
勒索软件近年来已成为全球主要威胁之一。勒索软件攻击的惊人增长率和新变种促使该领域研究人员不断审视其区分性特征并改进检测或分类策略。在广泛的行为特征中，应用程序编程接口（API）调用和网络行为特征已被广泛用作勒索软件检测或分类的区分因素。尽管许多已有方法在不使用任何特征选择技术的情况下利用这些特征对勒索软件家族进行检测和分类并取得了有前景的结果，但特征选择仍是构建高效检测或分类机器学习模型的潜在步骤，因为它通过移除冗余数据降低过拟合概率，通过剔除无关特征提升模型精度，从而缩短训练时间。迄今为止已有相当数量的特征选择技术被用于不同安全场景以优化机器学习模型性能。因此，本研究旨在利用 API 调用和网络流量特征，对广泛使用的监督机器学习模型在采用与未采用 RFECV 特征选择技术下的勒索软件分类性能进行比较分析。由此，本研究为 RFECV 特征选择技术在勒索软件分类中的效率提供了见解，可作为同行未来在该领域选择特征选择技术的参考。
引用
@article{arxiv.2212.04864,
title = {A Comparative Performance Analysis of Explainable Machine Learning Models With And Without RFECV Feature Selection Technique Towards Ransomware Classification},
author = {Rawshan Ara Mowri and Madhuri Siddula and Kaushik Roy},
journal= {arXiv preprint arXiv:2212.04864},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2210.11235