Mitigating concept drift in malware classification: A temporal and resource-aware evaluation

doi:10.1016/j.knosys.2026.116534

Mitigating concept drift in malware classification: A temporal and resource-aware evaluation

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116534

原文链接

原文求助

摘要

En 中文

概念漂移对联邦恶意软件检测系统构成了根本性挑战，其中客户端数据分布是非独立同分布（non-IID）且随时间持续演变。现有的联邦聚合策略（如FedAvg和FedSGD）仅基于数据集大小分配客户端权重，忽略了时间漂移和本地模型可靠性，导致在非平稳恶意软件条件下性能下降。本文提出了一种漂移感知与客户端感知自适应聚合（DCAA）框架，该框架在联邦聚合过程中利用三种互补信号动态调整客户端贡献权重：基于实时KL散度的漂移估计、时间衰减和基于验证的可靠性评分。与FedProx或FedDyn等先前自适应联邦学习（FL）方法不同，后者通过近端正则化解决客户端异质性，DCAA明确针对聚合层，并将分布漂移直接映射为客户端贡献权重，在更新传播到全局模型之前抑制不稳定更新。该框架在三个基准恶意软件数据集（涵盖静态、混合和动态行为模态的EMBER 2018、BODMAS 2021和CIC-MalMem2022）上进行了评估，采用联邦二元分类设置，包含五个异构客户端和非独立同分布数据分区。考虑了四种本地模型架构：随机森林、XGBoost、CatBoost和TabNet。DCAA相比FedAvg实现了高达2.8%的更高全局准确率和2%-3%的更高AUC，同时将客户端间参数分歧降低了20%-25%。可扩展性实验证实，在多达20个联邦客户端下仍能保持95%以上准确率的稳定性能。这些结果表明，漂移感知聚合是一种模型无关的改进，能够维持分布式恶意软件情报管道在演变和异构威胁条件下的检测性能。

Keyword:

Concept drift

Malware detection

Decision making

Machine learning

Drift mitigation strategies

Adaptive machine learning

Cybersecurity analytics

Mitigating concept drift in malware classification: A temporal and resource-aware evaluation

摘要

期刊

机构

引用论文