基于机器学习的移动终端高级持续性威胁检测技术研究

• 作者: 周景春 王春东 胡彬 胡思琦
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 机器学习 高级持续性威胁检测 分类器 模型融合 静态检测 关联分析
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 241-246
• 页数: 6页
• 分类号: TP309.2
• 字数: 4457字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2017.01.042

摘要

移动端高级持续性威胁(APT)攻击是近年来出现的一种极其危险的攻击方式,通过窃取信息对设备造成高风险且可持续性的危害.而针对移动端入侵检测的方案由于检测特征不够完善,检测模型准确率不高且存在过拟合问题,导致检测效果不理想.针对上述问题提出一种优化的检测模型,利用静态检测技术提取出终端应用的静态特征,优化模型对恶意应用的敏感程度,引用滑动窗口迭代算法提取出延迟攻击特征,以优化模型对延迟攻击的检测能力,同时使用Boost技术将决策树、逻辑回归、贝叶斯等分类算法进行融合,通过实验证明该模型提升了APT检测准确率并规避了过拟合问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王春东	天津理工大学计算机与通信工程学院	68	388	11.0	17.0
2	胡彬	北京邮电大学软件学院	2	11	1.0	2.0
3	胡思琦	北京邮电大学网络空间安全学院	1	11	1.0	1.0
4	周景春	北京邮电大学软件学院	3	18	2.0	3.0