基于FSVM的未知病毒檢測技術研究.pdf

1、病毒對當前社會造成了一系列的威脅，例如入侵一個安全系統(tǒng)、破壞系統(tǒng)或在沒有用戶允許的前提下得到用戶的敏感信息。這些都危害到了正常的生活，特別是那些新出現(xiàn)的病毒，不能識別出來的病毒。并且現(xiàn)在每年會有上千的新病毒出現(xiàn)，給我們的社會生活造成了嚴重的威脅。而當前的反病毒系統(tǒng)嘗試人為的使用啟發(fā)式方法檢測新的病毒。這種方法不僅耗時而且可能不起作用。因此為了檢測未知病毒提出一個高效的、自動的基于FSVM算法的K-F模型。
　　K-F模型從三個方面

2、對已有的病毒檢測模型進行改進。首先針對模型的輸入數(shù)據(jù)維度過高對數(shù)據(jù)進行預處理工作，因為如果數(shù)據(jù)維度過高會造成學習算法訓練時間過長，效率低下。本文的特征數(shù)據(jù)是從 PE文件中提取的靜態(tài)特征，對這些特征進行規(guī)范化處理，然后采用特征處理算法進行降維處理，形成新的低維特征數(shù)據(jù)集，將其作為訓練算法的輸入從而加快模型建立速度。其次針對數(shù)據(jù)過多使用KFCM進行樣本精簡，因為數(shù)據(jù)太多會造成訓練時間過長，并且噪聲數(shù)據(jù)會降低模型準確率。本文采用KFCM對正常

3、樣本和病毒樣本分別進行數(shù)據(jù)精簡，不僅可以除去不是支持向量的樣本減少樣本數(shù)量而且去除部分噪聲點，從而提高模型準確率和加快 FSVM的學習速度。最后針對 FSVM算法對噪聲點和離群點敏感而導致模型準確率降低的缺點，提出一個新的隸屬度的確定算法 CLWD。CLWD是根據(jù)聚類中心與樣本局部緊密度計算樣本的隸屬度，可以有效地將離群點和噪聲點區(qū)分出來，從而更有效的提高模型的準確率。
　　最后通過實驗驗證了PCA特征抽取算法更適合 PE文件特征