基於RFpS的集成學習於惡意程式分類之研究

淡江大學機構典藏 > 商管學院 > 資訊管理學系暨研究所 > 會議論文 > Item 987654321/113279

請使用永久網址來引用或連結此文件: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/113279

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

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	222	檢視/開啟

在機構典藏中所有的資料項目都受到原著作權保護.

TAIR相關文章