针对恶意软件检测的优化方法：机器学习与深度学习技术研究
密码学与安全
2025-04-28 v1 机器学习
摘要
数字系统在应对网络安全威胁方面面临挑战。每日超过 56 万种新的恶意软件变种不断出现，对数字生态系统构成重大威胁。传统的恶意软件检测方法运行不良，导致高假阳性率，保护系统准确率低下。本研究探索了利用机器学习（ML）和深度学习（DL）技术进行恶意软件检测的途径，以解决上述不足。本研究还包括对一些常用 ML 模型（如随机森林、多层感知器（MLP）和深度神经网络（DNN））性能的系统性比较，以确定现代恶意软件威胁系统的有效性。我们使用来自 Kaggle 的大型数据库，并对其进行优化特征选择和预处理，以提高模型性能。我们的发现表明，DNN 模型在其他传统模型中表现最佳，训练准确率最高达 99.92%，AUC 分数几乎完美。此外，特征选择和预处理有助于提高检测能力。本研究的重要贡献在于分析模型在性能指标上的表现，并为构建更稳健、更可靠的网络安全解决方案提供了针对日益增长的恶意软件威胁的见解。
引用
@article{arxiv.2504.17930,
title = {Optimized Approaches to Malware Detection: A Study of Machine Learning and Deep Learning Techniques},
author = {Abrar Fahim and Shamik Dey and Md. Nurul Absur and Md Kamrul Siam and Md. Tahmidul Huque and Jafreen Jafor Godhuli},
journal= {arXiv preprint arXiv:2504.17930},
year = {2025}
}
备注
9 pages