基于XGBoost和LightGBM双层模型的恶意软件检测方法

摘要：

目前基于网络流量的恶意软件检测方法大多依靠专家经验获取特征,此过程耗时费力且提取的流量特征较少,同时,传统特征工程在特征维度较高时复杂度大大增加.针对上述问题,文章提出一种使用极限梯度提升树(XGBoost)和轻量级梯度提升机(LightGBM)双层模型的恶意软件检测方法.在获取目标软件网络流量并提取相关特征后,使用过滤法和互信息法进行特征处理,将数据集导入首层XGBoost模型进行训练;然后结合网格搜索的调参方式得到最优参数组合,获取每个样本在最佳XGBoost模型中各棵树的叶子节点位置,以此创造新特征集;再利用LightGBM模型对新数据集进行训练,从而得到最终检测模型.实验结果表明,与其他检测方法相比,文章方法在恶意软件检测的准确率和实时性方面有显著提高.

关键词：恶意软件检测、流量特征、极限梯度提升树、轻量级梯度提升机、网格搜索

所属期刊栏目：20

分类号：TP309(计算技术、计算机技术)

资助基金：公安部软科学计划[2020LLYJXJXY031;辽宁省自然科学基金[2019-ZD-0167,20180550841,2015020091;中央高校基本科研业务[3242017013;公安部技术研究计划[2016JSYJB06;辽宁省社会科学规划基金[L16BFX012

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：54-63