基于行为路径树的恶意软件分类方法

针对恶意软件家族分类问题,提出一种基于行为路径树的恶意软件分类方法,该方法使用恶意样本细粒度行为路径作为动态特征,通过将路径转化为树型结构的方式生成依赖关系,与传统基于系统调用的恶意软件分类相比,具有较低的复杂度。此外,针对传统分类模型无法解决行为路径树深度寻优问题,设计了基于自适应随机森林的分类模型,该模型采用随机逼近的方式完成行为路径树深度寻优。实验部分使用2588个样本(包含8个恶意家族,1个良性集合)对行为路径树的有效性进行验证,分类精度达到91.11%。

基于流形学习降维的缺陷动态特征分类算法

开源软件缺陷报告分类过程中,缺陷报告数据维度不统一会直接降低后续报告的分类精度,为此提出基于行为路径树的开源软件缺陷报告分类算法。使用流形学习降维算法对开源软件缺陷报告数据实施降维处理,有效去除噪声数据,初步提升后续报告分类的分类精度;使用行为路径树对降维报告数据实施缺陷动态特征提取,进一步强化分类精度;根据随机森林原理建立开源软件缺陷报告分类模型,完成开源软件缺陷报告的精准分类。实验结果表明,使用上述方法开展缺陷报告分类时,分类精度高、效果好。