一种改进的面向移动数据安全检测的文本分类模型

• 作者: 冯晓荣 林军 麦松涛
• 来源期刊: 微型机与应用
• 学科: 工学
• 关键词: 恶意代码 文本分类 C4.5决策树 Boosting算法
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 智能工业与信息安全
• 页码范围: 1-4
• 页数: 4页
• 分类号: TP311
• 字数: 4703字
• 语种: 中文
• DOI: 10.19358/j.issn.1674-7720.2017.08.001

摘要

随着移动互联网应用的不断普及,移动终端承载了大量的数据交互业务与应用,移动数据的安全问题日益凸显.基于C4.5决策树算法对移动数据进行文本分类检测,实现恶意代码分析.传统的C4.5文本分类模型中,测试属性选择未考虑属性之间的影响,因此提出了一种改进的基于Boosting算法的C4.5决策树文本分类模型.该模型在衡量被测属性最优弱假设的重要性时,引入Boosting的权重系数,每次迭代计算结束后,自适应调整权重值,在降低特征子集属性冗余度的同时,提高了分类模型的鲁棒性.实验结果表明,改进的文本分类模型在检测率和分类准确率上均有一定程度的提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林军	工业和信息化部电子第五研究所软件质量工程研究中心	13	36	3.0	6.0
2	冯晓荣	工业和信息化部电子第五研究所软件质量工程研究中心	3	4	2.0	2.0
3	麦松涛	工业和信息化部电子第五研究所软件质量工程研究中心	3	4	2.0	2.0