| 題名: | 基於RFpS的集成學習於惡意程式分類之研究 |
| 作者: | 李鴻璋;趙偉傑 |
| 關鍵詞: | 惡意程式分類;機器學習;集成學習 |
| 日期: | 2017-11 |
| 上傳時間: | 2018-04-26 12:11:24 (UTC+8) |
| 出版者: | 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%。 |
| 關聯: | TANet 2017臺灣網際網路研究會論文集 pp. 72~75. |
| DOI: | 10.6728/TANET.201710.0014 |
| 顯示於類別: | [資訊管理學系暨研究所] 會議論文
|