.png){kind=icon}
返回
Efficient hybrid feature selection using intrinsic and metaheuristic optimization algorithm and classification of malware using ensemble learning algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05743-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件是一种旨在破坏、获取未经授权的访问或对计算机系统造成损害的软件类型，它使网络空间中的敏感信息和数据面临风险。尽管已有大量研究，但在构建能够实现优化、准确且可扩展的恶意软件检测的可靠系统方面仍存在重大差距。本文聚焦于恶意软件特征识别与选择的关键领域，采用多种特征选择算法（包括固有方法和元启发式优化），以提高恶意软件分类的准确性。已对现有系统进行实验性和比较性分析，以探索一种新颖的混合模型用于有效特征选择。基于评估结果，识别出表现最佳的算法。最初采用最小绝对收缩与选择算子交叉验证（Lasso CV）进行初级特征筛选，随后应用元启发式SHADE（基于成功历史的自适应差分进化）算法进行高级特征选择。该混合方法实现了97.5%的准确率和99%的AUC，有效解决了局部最优挑战。所提出的模型展示了一个准确恶意软件检测与分类的稳健高效框架。
Keyword:
Meta-heuristic
Ensemble learning
Malware
Genetic algorithm
Local optima
Deep learning.
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Loggraph: Log event graph learning aided robust fine-grained anomaly diagnosisLoggraph：基于日志事件图学习的鲁棒性细粒度异常诊断.png)
IF0
PREAI
分享收藏
SCL-CVD: Supervised contrastive learning for code vulnerability detection via GraphCodeBERTScl-cvd: 通过GraphCodeBERT进行代码漏洞检测的监督对比学习COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏
查看更多内容