基于K-L散度的恶意代码模型聚类检测方法

摘要：

在云计算应用环境下，由于服务系统越来越复杂，网络安全漏洞和被攻击情况急剧增加，传统的恶意代码检测技术和防护模式已无法适应云存储环境的需求。为此，通过引入高斯混合模型，建立恶意代码的分层检测机制，使用信息增益和文档频率等方法分析和提取样本数据特征值，结合K-L散度特性，提出基于K-L散度的恶意代码模型聚类检测方法。采用KDDCUP99数据集，使用Weka开源软件完成数据预处理和聚类分析。实验结果表明，在结合信息增益和文档频率进行特征分析的前提下，与贝叶斯算法相比，该方法在虚拟环境中恶意代码的平均检测时间降低16.6%，恶意代码的平均检测率提高1.05%。

关键词：恶意代码、高斯混合模型、K-L散度、模型聚类、信息增益、文档频率

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61272458。

在线出版日期：2014-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：104-107,113