基于区块重组和双通道可视化的恶意代码分类

针对恶意代码在变种过程中存在许多内联性和相似性,同类恶意家族采用相同或相似的区块标签命名法,现有恶意代码可视化的灰度图像不能全面包含恶意攻击信息,因此提出基于区块重组和双通道的恶意代码可视化分类方法。统计每类家族样本的区块标签分布,找出该类家族的目标标签,重组恶意代码样本的区块数据。将重组后的样本可视化为方阵BR彩色图像,利用高斯核的核主成分分析法对图像进行特征降维,输入多种机器学习分类器中进行训练及分类检测。在标准数据集上的实验结果表明,分类准确率可达到97.00%,稳定性好且有效性高于其他恶意代码检测算法。

基于区块挖掘与重组的启发式算法求解置换流水车间调度问题

组合优化广泛应用于任务问题,例如旅行推销员问题(Traveling Salesman Problem,TSP)、调度问题等。文中提出基于进化式的区块模型(Evolutionary-Based Block Model,EBBM)来提升优化算法的收敛效果,以避免陷入局部优化困境。区块的主要思想是从染色体中找到关键区块,并使用这些区块来改进进化式算法(Evolutionary Algorithms,EAs)以求解组合优化问题(Combinatorial Optimization Problems,COPs)。区块是一种挖掘染色体中基因对演化影响的信息,包含了对进化有帮助的信息以及阻碍进化的信息,所提方法借助区块信息指引算法的演化方向,通过两种不同信息的相互影响,不仅提高了算法的收敛速度,还提高了算法求解的多样性,从而达到求解稳定性高和求解质量优良的目标。文中提出的区块机制包括构建概率矩阵,通过关联规则生成区块并应用块来构建人造染色体。由于将区块作为构建人造解的基本单位,因此通过关联规则所挖掘的区块不仅具有多样性,还能按照设定置信度的大小控制演化过程所需的区块信息强度。最后为评估所提算法的求解能力,以置换流水车间调度问题(Permutation Flow-shop Scheduling Problem,PFSP)为测试的例题,采用平均误差率、最佳误差率以及收敛曲线图探讨算法的求解效果。实验结果表明,通过正反信息所产生的区块机制有助于提高收敛效果,且可避免陷入局部优化问题。