基于动态分类器选择的不平衡恶意软件分类
密码学与安全
2025-04-08 v2 机器学习
摘要
近年来，网络威胁的增加凸显了针对移动设备的鲁棒恶意软件检测系统的需求。恶意软件利用对设备和用户数据的漏洞，构成重大的安全风险。恶意软件检测的一个重要挑战是数据集中的类别不平衡，即大多数应用为良性，而仅有少数应用构成威胁。本研究通过评估 various 机器学习策略来检测 Android 应用中的恶意软件，针对该领域常被忽视的类别不平衡问题进行分析。我们评估了单一分类器和集成方法，关注动态选择算法，这些算法显示出优于传统方法的性能。与在整个数据集上进行的平衡策略不同，我们提出一种为每个分类器池中的每个分类器单独工作的平衡程序。我们的实证分析表明，采用 Random Forest 池的 KNOP 算法取得最佳效果。此外，实例难度评估揭示了平衡会降低少数类的难度并提升对少数类（恶意软件）的检测。实验使用的代码可在 https://github.com/jvss2/Machine-Learning-Empirical-Evaluation 获取。
引用
@article{arxiv.2504.00041,
title = {Imbalanced malware classification: an approach based on dynamic classifier selection},
author = {J. V. S. Souza and C. B. Vieira and G. D. C. Cavalcanti and R. M. O. Cruz},
journal= {arXiv preprint arXiv:2504.00041},
year = {2025}
}
备注
Short paper accepted at SSCI 2025. 4 pages + 1 reference page, 3 figures, 1 table