利用变分自编码器提取的潜在空间增强基于机器学习的恶意软件检测
密码学与安全
2025-05-01 v2 机器学习
摘要
本文评估了五种机器学习分类器的性能，即决策树、朴素贝叶斯、LightGBM、逻辑回归和随机森林，这些分类器使用从恶意软件数据集中由变分自编码器学习到的潜在表示。通过不同训练-测试划分和不同随机种子进行的实验结果表明，所有模型在检测恶意软件方面表现良好，其中集成方法（LightGBM 和随机森林）的性能略优于其他模型。此外，潜在特征的使用降低了模型的计算成本，减少了对广泛调参以提高模型部署效率的需求。统计测试显示，这些改进是显著的，因此， 将潜在空间表示与传统分类器集成，以实现有效的恶意软件检测在网络安全领域的实际相关性得到确立。
引用
@article{arxiv.2503.20803,
title = {Leveraging VAE-Derived Latent Spaces for Enhanced Malware Detection with Machine Learning Classifiers},
author = {Bamidele Ajayi and Basel Barakat and Ken McGarry},
journal= {arXiv preprint arXiv:2503.20803},
year = {2025}
}