.png){kind=icon}
返回
Intelligent Malware Detection through Bio-Inspired Optimization and Gradient Boosting
.png){kind=icon}
PRE
AI
DOI：10.12720/jait.17.2.239-250.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件持续对网络安全构成严重威胁，需要能够适应不断演变的攻击策略的智能检测系统。本文介绍了一种增强型恶意软件检测框架，该框架将仿生特征选择与先进的梯度提升分类器相结合，以实现高精度和高效性。两种元启发式算法——Harris Hawks Optimization (HHO)和Bat Algorithm (BA)——被独立应用于从ISCX-URL2016恶意软件数据集中提取紧凑且具有判别性的特征子集。随后使用Gradient Boosting Machine (GBM)和Light Gradient Boosting Machine (LightGBM)分类器评估这些简化特征集。以准确率为主要评估指标对性能进行严格评估。实验结果表明，LightGBM与BA结合达到最高性能，准确率达到99.52%，精确率为99.48%，召回率为99.48%，F1-Score为99.48%。这些发现强调了仿生优化在特征选择中的有效性，表明所提出的框架不仅提高了预测性能，还为实际恶意软件检测提供了一个可扩展且可靠的解决方案。
Keyword:
malware
machine learning
feature selection
ISCX-URL2016 dataset
期刊
J
IF:
1.5
论文数:
57
被引数:
0
机构
引用论文
Symbolic regression and interpretable ensemble learning approach in determining early onset of diabetic peripheral neuropathy符号回归和可解释集成学习方法在确定糖尿病周围神经病变早期发作中的应用
OAAI
.png){kind=icon}
OAAI分享收藏Enhancing Breast Cancer Classification based on BPSO Feature Selection and Machine Learning Techniques基于BPSO特征选择和机器学习技术的乳腺癌分类增强
PREAI
分享收藏
查看更多内容