典型文献
基于特征权重的恶意软件分类方法
文献摘要：
近年来由于计算机和人们的工作生活结合得更加紧密,为保障信息安全,恶意软件分类的重要性与日俱增,但是现有的恶意软件分类方法大多都存在模型复杂、耗费时间长以及效果不突出等困境.为提高恶意软件分类效率,提出一个结合特征提取和卷积神经网络的恶意软件分类框架.针对目前恶意软件分类算法准确率低、处理时间慢等问题,引入并改进了NLP领域中的一种特征权重算法.通过计算操作码的特征权重,选取具有较大信息增益的操作码作为特征词,然后提取恶意样本的特征图,最后传入卷积神经网络进行训练和分类.实验结果表明,该方法在big2015数据集上的准确率为99.26％,比基于TFIDF特征提取的方法略好,接近该数据集上的冠军方法,在不均衡类别上的分类表现优于基于频率的特征词选择的提取算法,并且在预处理时间上短于其他方法.
文献关键词：
特征权重;特征提取;操作码;卷积神经网络;恶意软件分类
中图分类号：
作者姓名：
叶彪;李琳;丁应;宋荆汉;万振华
作者机构：
武汉科技大学 计算机科学与技术学院,湖北 武汉 430065;智能信息处理与实时工业系统湖北省重点实验室,湖北 武汉 430065;上海航天精密机械研究所,上海 201600;深圳开源互联网安全技术有限公司,广东 深圳 518000
文献出处：
引用格式：
[1]叶彪;李琳;丁应;宋荆汉;万振华-.基于特征权重的恶意软件分类方法)[J].计算机技术与发展,2022(11):115-120
A类：
big2015
B类：
恶意软件分类,分类方法,活结,加紧,与日俱增,耗费,费时间,分类框架,分类算法,处理时间,NLP,特征权重算法,操作码,信息增益,特征词,恶意样本,特征图,传入,比基,TFIDF,冠军,军方,分类表,词选,其他方法
AB值：
0.304373
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
