用于不平衡恶意软件类型分类任务的随机CapsNet森林模型
密码学与安全
2020-08-25 v4 计算机视觉与模式识别
机器学习
机器学习
摘要
恶意软件的行为随其类型而异。因此，知晓恶意软件类型会影响系统防护软件的策略。许多由机器与深度学习赋能的恶意软件类型分类模型在预测恶意软件类型上取得了优越准确率。基于机器学习的模型需进行繁重特征工程，且特征工程主导着模型性能。另一方面，基于深度学习的模型较机器学习模型所需特征工程更少。然而，传统深度学习架构与组件导致模型极为复杂且对数据敏感。不同于经典卷积神经网络架构，胶囊网络架构最小化了此种复杂性与数据敏感性。本文提出一种基于自助聚合（bootstrap aggregating）技术的集成胶囊网络模型。所提方法在两个恶意软件数据集上测试，其SOTA结果已广为人知。
引用
@article{arxiv.1912.10836,
title = {Random CapsNet Forest Model for Imbalanced Malware Type Classification Task},
author = {Aykut Çayır and Uğur Ünal and Hasan Dağ},
journal= {arXiv preprint arXiv:1912.10836},
year = {2020}
}
备注
30 pages, 10 figures, typos are corrected, references are added