基於RFpS的集成學習於惡意程式分類之研究
學年 106
學期 1
發表日期 2017-10-25
作品名稱 基於RFpS的集成學習於惡意程式分類之研究
作品名稱（其他語言）
著者 李鴻璋; 趙偉傑
作品所屬單位
出版者
會議名稱 TANet 2017臺灣網際網路研究會
會議地點 臺灣 臺中市 東海大學
摘要 在惡意程式分析這領域，雖然近幾年在機器 學習與人工智慧的挹注下有顯著的分析成果，然 而，一般機器學習的分類方法遇到大量特徵時，會 有學習時間過長以及大量消耗資源的問題。 本論文提出一個稱為 RFpS（Random Forest predicated Svm）的兩段監督式集成學習的 快速分類技術。克服以往因過多的多餘特徵訊息 所造成的模型過度配適（overfitting）以及預測雜 訊的問題。RFpS 是結合 Random Forest 特徵萃取 與 SVM 強分類的學習與預測能力，針對惡意程式 進行快速及精準的分類。驗證的結果說明，RFpS 方法與單獨只用 SVM 比較下，其平均學習塑型速 度增加約4.5倍，而預測速度增加約2.5倍，平均精 準度提昇約20%，達到98.4%。
關鍵字 惡意程式分類;機器學習;集成學習
語言 zh_TW
收錄於
會議性質 國內
校內研討會地點 無
研討會時間 20171025~20171027
通訊作者 趙偉傑
國別 TWN
公開徵稿
出版型式
出處 TANet 2017臺灣網際網路研究會論文集 pp. 72~75.
相關連結

機構典藏連結 ( http://tkuir.lib.tku.edu.tw:8080/dspace/handle/987654321/113279 )