10.3969/j.issn.1000-3428.2017.01.042
基于机器学习的移动终端高级持续性威胁检测技术研究
移动端高级持续性威胁(APT)攻击是近年来出现的一种极其危险的攻击方式,通过窃取信息对设备造成高风险且可持续性的危害.而针对移动端入侵检测的方案由于检测特征不够完善,检测模型准确率不高且存在过拟合问题,导致检测效果不理想.针对上述问题提出一种优化的检测模型,利用静态检测技术提取出终端应用的静态特征,优化模型对恶意应用的敏感程度,引用滑动窗口迭代算法提取出延迟攻击特征,以优化模型对延迟攻击的检测能力,同时使用Boost技术将决策树、逻辑回归、贝叶斯等分类算法进行融合,通过实验证明该模型提升了APT检测准确率并规避了过拟合问题.
机器学习、高级持续性威胁检测、分类器、模型融合、静态检测、关联分析
43
TP309.2(计算技术、计算机技术)
2017-08-16(万方平台首次上网日期,不代表论文的发表时间)
共6页
241-246