基于XGBoost与Stacking融合模型的恶意程序多分类检测方法

• 作者: 徐国天 沈耀童
• 来源期刊: 信息网络安全
• 关键词: 恶意程序多分类 多层次特征选择 极限梯度提升树 Stacking集成 贝叶斯优化
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 技术研究
• 页码范围: 52-62
• 页数: 11页
• 分类号: TP309
• 语种: 中文
• DOI: 10.3969/j.issn.1671-1122.2021.06.007

摘要

当前在恶意程序多分类检测领域,传统静态和动态检测方法受反取证技术影响较大;在新型基于网络流量的检测方法中,由于各类恶意程序流量特征的相似性较大,使用人工提取的数据流特征和传统机器学习方法不能取得较高的准确率.针对上述问题,文章提出一种基于XGBoost与Stacking融合模型的恶意程序多分类检测方法.在获取目标恶意程序对外通信流量并自动提取初始网络特征后,对初始数据集进行预处理和多重特征选择,而后使用基于XGBoost的特征创造算法,在初始特征基础上自动化生成高级特征集,并结合Stacking集成算法实现多模型融合以提升恶意程序多分类检测的准确率.在此过程中,为减少寻找最优参数组合的时间,使用贝叶斯优化方法确定各个模型的最优参数组合,并采取多种正则化策略解决模型过拟合问题.实验结果表明,与其他传统方法相比,该检测方法在恶意程序多分类的准确率上有较大提升.