基于机器学习对 Mal-API-2019 数据集的全面评估
密码学与安全
2024-03-27 v2 人工智能
机器学习
摘要
本研究对使用机器学习技术进行恶意软件检测进行全面检验，聚焦于对 various 分类模型使用 Mal-API-2019 数据集进行评估的目标，以推进网络安全能力，通过更有效地识别和缓解威胁来实现这一目标。探索了 ensemble 和 non-ensemble 机器学习方法，如 Random Forest、XGBoost、K 最近邻（KNN）和神经网络。特别强调了数据预处理技术的重要性，尤其是 TF-IDF 表示和主成分分析（PCA）在改善模型性能方面的作用。结果表明，ensemble 方法，特别是 Random Forest 和 XGBoost，在准确率、精确率和召回率方面优于其他方法，凸显了其在恶意软件检测中的有效性。该论文还讨论了局限性和潜在的未来方向，强调持续适应不断演变的恶意软件以应对挑战的必要性。这项研究为网络安全领域的持续讨论提供了实用见解，为在数字时代开发更稳健的恶意软件检测系统提供了实用见解。
引用
@article{arxiv.2403.02232,
title = {Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection},
author = {Zhenglin Li and Haibei Zhu and Houze Liu and Jintong Song and Qishuo Cheng},
journal= {arXiv preprint arXiv:2403.02232},
year = {2024}
}