惡意軟件識別方法研究與應用.pdf

1、近年來，我國互聯(lián)網(wǎng)行業(yè)發(fā)展迅速。原來只存在于現(xiàn)實世界的許多事物被不斷地搬上互聯(lián)網(wǎng)，比如電子商務、網(wǎng)絡社交、互聯(lián)網(wǎng)金融等。人們的生活已經越來越離不開互聯(lián)網(wǎng)，其已經成為人們生活的一部分。
　　但在互聯(lián)網(wǎng)不斷融入人們生活的同時，不法分子也大量滲入進來。他們利用惡意軟件竊取用戶帳戶密碼、窺探隱私、發(fā)送垃圾郵件等，從而獲取利益或者破壞正常的互聯(lián)網(wǎng)環(huán)境，這嚴重侵害了普通用戶的利益。對惡意軟件進行準確識別對于保護普通用戶的利益至關重要。但是國內

2、主流的殺毒軟件仍然采用特征碼識別、啟發(fā)式搜索等惡意軟件識別技術?；跈C器學習的惡意識別方法還沒有得到廣泛的研究與使用。故本文主要研究基于機器學習的惡意軟件識別技術。本文主要以windows可執(zhí)行文件為例研究惡意軟件的識別，主要工作如下：
　　1.使用靜態(tài)分析技術與動態(tài)分析技術進行軟件樣本的特征的提取，利用提取到的信息構建了包括PE文件頭特征、可讀字符串特征、關鍵行為特征、API調用次數(shù)特征、API調用時間序列、網(wǎng)絡特征等6類特征，

3、以全面刻畫軟件樣本。
　　2.提出基于XGBoost的多特征群模型融合算法進行惡意軟件的識別，算法訓練了多個分類模型，相當于訓練了多個精通不同領域的惡意軟件識別專家，每個分類模型使用一個或多個特征群的特征進行模型的訓練。然后綜合他們的識別結果得出最終的識別結果。實驗表明其有較高的惡意軟件識別效果，在本文收集的數(shù)據(jù)集上正確率為97.6％，召回率為97.1%，準確率為96.7%，高于傳統(tǒng)的分類算法。應用該融合算法進行惡意軟件識別為本文