PE Malware Detection via Optimized Static Features and Ensemble Learning

Leng, Jing

doi:10.1002/cpe.70732

PE Malware Detection via Optimized Static Features and Ensemble Learning

2026-05-01

0

PRE

AI

DOI：10.1002/cpe.70732

原文链接

原文求助

摘要

En 中文

近年来，可移植可执行（PE）文件静态特征分析已成为网络安全领域恶意软件检测的研究重点。本文提出了一种创新检测方法，系统提取PE文件头中的关键结构特征，包括DOS头、PE文件头、可选头和节表。通过集成核密度估计等视觉分析技术，该方法有效展示了恶意文件与良性文件之间的显著结构差异（p < 0.01）。在特征处理过程中，我们引入嵌入式特征选择算法，在保持99%分类准确率的同时将特征空间维度降低30%。为进一步优化特征处理策略，我们提出的两级堆叠集成架构利用了基础分类器（包括随机森林和梯度提升决策树）的互补优势。实验结果表明，该框架在标准基准数据集上实现了99.37%的检测准确率和99.6%的AUC。在包含138,148个样本的大规模测试集上进行跨数据集验证进一步证实了该方法的有效性，准确率达到99.38%。此外，与当前先进方法的比较表明，我们的方法具有三方面优势：首先，基于信息熵的特征选择方法将计算复杂度降低42%；其次，优化的模型集成策略将F1分数提升2.3%；最后，模块化架构提升了实时性能，检测吞吐量达到每秒1500个文件。这些创新建立了一个稳健高效的技术框架，增强了端点安全防护对恶意软件威胁的防御能力。

Keyword:

ensemble learning

malware

PE file

stacking combination model

PE Malware Detection via Optimized Static Features and Ensemble Learning

摘要

期刊

机构

引用论文