基于K-L散度的恶意代码模型聚类检测方法

• 作者: 边根庆 邵必林 龚培娇
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 恶意代码 高斯混合模型 K-L散度 模型聚类 信息增益 文档频率
• 年，卷（期）: 2014,（12）
• 所属期刊栏目: 安全技术
• 页码范围: 104-107,113
• 页数: 5页
• 分类号: TP309
• 字数: 3414字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2014.12.019

摘要

在云计算应用环境下，由于服务系统越来越复杂，网络安全漏洞和被攻击情况急剧增加，传统的恶意代码检测技术和防护模式已无法适应云存储环境的需求。为此，通过引入高斯混合模型，建立恶意代码的分层检测机制，使用信息增益和文档频率等方法分析和提取样本数据特征值，结合K-L散度特性，提出基于K-L散度的恶意代码模型聚类检测方法。采用KDDCUP99数据集，使用Weka开源软件完成数据预处理和聚类分析。实验结果表明，在结合信息增益和文档频率进行特征分析的前提下，与贝叶斯算法相比，该方法在虚拟环境中恶意代码的平均检测时间降低16.6%，恶意代码的平均检测率提高1.05%。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵必林	西安建筑科技大学管理学院	84	498	12.0	18.0
2	边根庆	西安建筑科技大学信息与控制工程学院	49	283	8.0	15.0
3	龚培娇	西安建筑科技大学信息与控制工程学院	2	11	2.0	2.0