基于概率级融合的轻量级梯度提升模型跨域恶意软件检测
密码学与安全
2025-09-03 v1 人工智能
摘要
恶意软件日益复杂化，亟需具备跨不同数据源泛化能力的稳健检测机制。传统单数据集模型在跨域泛化方面存在挑战，且往往计算成本高昂。本文提出一种新型轻量级恶意软件检测框架，采用概率级融合技术，涉及三个不同数据集：EMBER（静态特征）、API调用序列（行为特征）和CIC混淆内存（内存模式）。该方法在每个数据集上分别训练LightGBM分类器，通过选择顶级预测特征以确保效率，并利用网格搜索确定优化权重进行融合。大量实验表明，融合方法在跨域验证集上实现了0.823的宏平均F1分数，显著优于单个模型，显示出卓越的泛化能力。该框架保持低计算开销，适用于实时部署，所有代码和数据均提供以确保完全可复现。
引用
@article{arxiv.2509.00476,
title = {Cross-Domain Malware Detection via Probability-Level Fusion of Lightweight Gradient Boosting Models},
author = {Omar Khalid Ali Mohamed},
journal= {arXiv preprint arXiv:2509.00476},
year = {2025}
}
备注
5 pages, 3 figures, 3 tables. Conference-style formatting (IEEEtran)