基于FSVM的未知病毒檢測(cè)技術(shù)研究.pdf

1、病毒對(duì)當(dāng)前社會(huì)造成了一系列的威脅，例如入侵一個(gè)安全系統(tǒng)、破壞系統(tǒng)或在沒(méi)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(shí)別出來(lái)的病毒。并且現(xiàn)在每年會(huì)有上千的新病毒出現(xiàn)，給我們的社會(huì)生活造成了嚴(yán)重的威脅。而當(dāng)前的反病毒系統(tǒng)嘗試人為的使用啟發(fā)式方法檢測(cè)新的病毒。這種方法不僅耗時(shí)而且可能不起作用。因此為了檢測(cè)未知病毒提出一個(gè)高效的、自動(dòng)的基于FSVM算法的K-F模型。
　　K-F模型從三個(gè)方面

2、對(duì)已有的病毒檢測(cè)模型進(jìn)行改進(jìn)。首先針對(duì)模型的輸入數(shù)據(jù)維度過(guò)高對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作，因?yàn)槿绻麛?shù)據(jù)維度過(guò)高會(huì)造成學(xué)習(xí)算法訓(xùn)練時(shí)間過(guò)長(zhǎng)，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(duì)這些特征進(jìn)行規(guī)范化處理，然后采用特征處理算法進(jìn)行降維處理，形成新的低維特征數(shù)據(jù)集，將其作為訓(xùn)練算法的輸入從而加快模型建立速度。其次針對(duì)數(shù)據(jù)過(guò)多使用KFCM進(jìn)行樣本精簡(jiǎn)，因?yàn)閿?shù)據(jù)太多會(huì)造成訓(xùn)練時(shí)間過(guò)長(zhǎng)，并且噪聲數(shù)據(jù)會(huì)降低模型準(zhǔn)確率。本文采用KFCM對(duì)正常

3、樣本和病毒樣本分別進(jìn)行數(shù)據(jù)精簡(jiǎn)，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(diǎn)，從而提高模型準(zhǔn)確率和加快 FSVM的學(xué)習(xí)速度。最后針對(duì) FSVM算法對(duì)噪聲點(diǎn)和離群點(diǎn)敏感而導(dǎo)致模型準(zhǔn)確率降低的缺點(diǎn)，提出一個(gè)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(jì)算樣本的隸屬度，可以有效地將離群點(diǎn)和噪聲點(diǎn)區(qū)分出來(lái)，從而更有效的提高模型的準(zhǔn)確率。
　　最后通過(guò)實(shí)驗(yàn)驗(yàn)證了PCA特征抽取算法更適合 PE文件特征