FusionNet:一种用于多标签恶意软件检测的特征转换框架
《International Journal of Cognitive Computing in Engineering》:FusionNet: A feature transformation framework for multi-label malware detection
【字体:
大
中
小
】
时间:2026年04月29日
来源:International Journal of Cognitive Computing in Engineering CS13.8
编辑推荐:
李秦满|张希祥|廖伟明|周迪贵|梁哲哲|广西电网有限公司,南宁,530201,中国
摘要
移动恶意软件表现出多样且不断演变的恶意行为,这自然形成了移动系统中的多标签分类问题。现有方法依赖于稀疏特征表示,并且在不同的分类器上表现出不稳定的性能,特征重叠和数据不平衡进一步限制了区分
李秦满|张希祥|廖伟明|周迪贵|梁哲哲|广西电网有限公司,南宁,530201,中国
摘要
移动恶意软件表现出多样且不断演变的恶意行为,这自然形成了移动系统中的多标签分类问题。现有方法依赖于稀疏特征表示,并且在不同的分类器上表现出不稳定的性能,特征重叠和数据不平衡进一步限制了区分能力。本研究提出了FusionNet,这是一个专注于特征转换的多标签分类框架。API调用序列被转换为TF-IDF向量,并通过神经特征融合网络进行细化,以产生用于分类的紧凑表示。我们在包含5456个样本的六个行为类别的数据集上进行了广泛的实验,以评估特征转换和分类器的稳定性。结果显示,大多数模型的F1分数均高于0.97,AdaBoost提高了0.0611,少数勒索类别的F1分数从0.3571增加到0.9091。
引言
由于移动恶意软件具有多样且不断演变的恶意行为(Zhang, Xu等人,2026),它对移动系统构成了持续的威胁。单个应用程序通常表现出多种共存的行为,如信息泄露、未经授权的通信和持续控制。这一特性自然形成了一个多标签分类问题,其中每个样本对应于一组行为类别,而不仅仅是一个标签(Qiao等人,2022)。准确识别这些行为对于理解恶意软件的功能和提高检测性能至关重要(Bai等人,2020)。
现有研究从两个主要角度解决这个问题。关于恶意软件检测和特征表示的研究应用了静态分析、动态分析和深度学习技术来描述应用程序行为。卷积神经网络在恶意软件检测任务中显示出有效性(Chen等人,2023)。关于分类策略的研究探索了多标签学习方法,并确认了它们适用于移动恶意软件(Meng & Li,2024)。TF-IDF进一步将API调用序列表示为类似文档的结构,并支持恶意软件检测和家族分类(Wang等人,2023)。然而,这些方法依赖于稀疏的统计特征,并且不提供紧凑的表示。由于特征质量直接影响分类结果,因此不同分类器的性能也有所不同。
这些限制带来了两个挑战。第一个挑战是将基于API的稀疏特征转换为紧凑且具有区分能力的表示。不同行为之间的API调用模式存在重叠,降低了特征的可分性。第二个挑战是在不同分类器之间保持稳定的多标签分类性能。当特征表示不足时,尤其是在标签分布不平衡的情况下,性能会发生变化。
本研究提出了FusionNet,这是一个强调特征转换的多标签分类框架。该框架将API调用序列转换为TF-IDF向量,并通过神经特征融合网络对这些向量进行细化。然后将转换后的表示应用于二元相关性设置下的多标签分类。多分支架构从不同角度处理特征交互,联合目标进一步提高了表示质量。这种设计增强了特征的紧凑性,同时保持了原始的分类策略。
实验在包含5456个样本的六个行为类别的多标签恶意软件数据集上评估了FusionNet(Dong, Liu, Zhang等人,2025;Qiao等人,2022)。结果表明,特征转换提高了多个分类器的分类性能,大多数模型的F1分数高于0.97。AdaBoost的F1分数提高了0.0611。针对少数类别的逐标签分析进一步显示出了显著的提升,其中勒索标签的F1分数从0.3571增加到0.9091。
本工作的主要贡献如下:
- FusionNet提供了一个多标签恶意软件行为识别框架,通过特征转换解决了多种恶意行为的共存问题。
- 神经特征融合策略将稀疏的TF-IDF表示细化为紧凑且具有区分能力的特征空间,用于行为级分析。
- 在多个分类器上的广泛实验确认了稳定的性能,F1分数高于0.97,包括0.0611的F1分数提升,并在少数类别上取得了显著改进。
2. 相关工作
2.1. 恶意软件检测中的特征表示
有效的恶意软件检测依赖于从应用程序行为中提取的具有区分能力的特征表示。现有研究应用了传统的机器学习和深度学习方法来分析API调用序列和行为模式(Alabra, 2023;Bakir, 2024;Chen等人,2023;Hakim等人,2024;Manzil和Naik, 2023)。基于树的模型和基于核的方法在中等规模的数据集上表现出稳定的性能,而神经网络通过自动特征学习提高了准确性。TF-IDF也被引入来将API调用序列表示为类似文档的结构,这突出了敏感的API并减少了常见模式的影响(He等人,2024;Wang等人,2023;Zhang, Bai等人,2026)。尽管这些方法在检测和家族分类任务中表现出有效性,但它们未能充分区分多个有害类别中的特定行为模式(Bai等人,2023;Dong, Liu, Guo等人,2025)。本研究通过神经特征编码细化TF-IDF特征,以获得更紧凑和信息丰富的表示,用于行为级分析。
2.2. 多标签恶意软件行为分析
恶意软件样本通常表现出多种共存的行为,这需要多标签分类而不是单标签预测。现有研究在网络安全任务中应用了多标签方法,如二元相关性和算法适应方法(Bai等人,2021;Li等人,2024;Meng和Li,2024)。问题转换方法将任务分解为独立的分类器,而算法适应方法将标签信息整合到模型训练中(Zhou等人,2025)。这些方法展示了可行性,但往往忽略了标签之间的相关性,并且缺乏在不同分类器之间的系统评估,特别是在移动恶意软件场景中(Guo等人,2022)。此外,许多研究仍然专注于单标签家族分类或依赖于单一模型架构。本研究采用了带有改进的特征表示的二元相关性策略,并评估了多个分类器,以提供对多标签恶意软件行为的更全面分析。
3. 方法论
本节介绍了一种基于TF-IDF特征表示和神经特征编码的移动恶意软件多标签分类方法。整个框架如图1所示。
所提出的方法称为FusionNet,遵循一个顺序流程。首先通过TF-IDF将API调用序列转换为数值特征向量。然后这些向量通过神经特征融合网络进行处理,以获得更紧凑的表示。最终得到的特征被用作多标签分类模型的输入。
下载:下载高分辨率图像(452KB)
下载:下载全尺寸图像
图1. 提出的FusionNet概述。
FusionNet保持了原始的分类设置,并专注于通过特征转换来改进特征表示。整个过程遵循框架中所示的结构,没有引入额外的组件。
3.1. 问题定义
恶意软件可能同时表现出多种恶意行为。因此,我们将每种行为定义为一个标签。检测被确认为一个多标签分类任务。它为每个恶意软件分配多个标签,每个标签是一种特定的行为,如msg、phone等(见表1)。我们独立处理这些标签,忽略它们之间的相关性,遵循CalmDroid中的设置(Dong, Liu, Zhang等人,2025)。这使我们能够专注于FusionNet中提出的特征转换对不同下游分类器的贡献。
这项任务与单标签分类不同,在单标签分类中,每个样本只对应一个类别。形式上,给定一个特征空间X和一个标签空间Y={y1, y2, …,yk},任务学习一个映射函数f: X→2Y。每个样本x∈X与一组标签相关联。
3.2. 特征表示
3.2.1. API调用序列预处理
API调用序列用于描述应用程序行为。原始序列需要预处理以确保表示的一致性和有效的特征提取。预处理程序标准化API调用路径,以统一不同的格式。移除冗余的API调用以简化序列,同时保留相关的行为信息。根据预定义的规则过滤低相关性的API调用以减少噪声。过滤后,序列被分词,其中每个API调用被视为一个独立的术语。
这些步骤将原始API调用序列转换为支持后续特征构建的结构化表示。
3.2.2. TF-IDF特征构建
TF-IDF方法将API调用序列转换为数值特征向量。在此过程中,每个API调用被视为一个术语,每个应用程序对应一个文档。术语频率反映了API调用在序列中的出现频率。逆文档频率衡量了API调用在整个数据集中的稀有性。这两个因素的结合为在特定应用程序中频繁出现但在其他应用程序中很少出现的API调用赋予更高的权重。
每个应用程序都表示为一个由TF-IDF权重构建的特征向量。特征的最大数量设置为5000,以控制维度。由于数据集中不同API调用的数量有限,实际提取的特征数量为351个。这些特征涵盖了所有敏感的API调用。
得到的TF-IDF向量作为后续处理的初始特征表示。
3.3. 神经特征编码
在TF-IDF特征构建之后,得到的特征向量进一步转换以获得更紧凑和信息丰富的表示。这一步对应于FusionNet中的神经特征编码组件。
3.3.1. 神经特征融合架构
神经特征融合网络采用多分支结构从不同角度处理TF-IDF特征向量。给定输入向量x∈Rd,应用三种并行转换。
第一个分支执行线性转换:(1) z(l) = Wl2?Wl1x + bl1 + bl2。
第二个分支引入了更深入的非线性转换:(2) z(n) = Wn3?Wn2?Wn1x + bn1 + bn2 + bn3。
第三个分支结合了一个门控机制来调整特征贡献:(3) z(g) = Wgtanh(Wfx + bf) ⊙ σ(Wsx + bs) + bg。
三个分支的输出被连接起来,并投影到一个统一的特征空间:(4) B = ?Wfuse(z(l); z(n); z(g) + bfuse。
每个分支将输入映射到一个64维空间,融合后的表示被简化为128维。这些设置是通过考虑模型规模、特征数量和训练效果来选择的(Bai等人,2021)。每个分支的64维空间提供了来自稀疏TF-IDF输入的互补特征表示,同时保持了参数大小。最终的128维融合表示对于恶意软件行为仍然具有表达力,同时适合多样化的下游分类器。
3.3.2. 特征学习目标
为了提高表示质量,定义了一个联合目标。融合特征用于预测,解码器重构输入:(5) x? = σWd3?Wd2?Wd1B + bd1 + bd2 + bd3。
总体目标结合了分类和重构损失:(6) L = λclsLcls + λrecLrec, (7) Lcls = BCEWithLogitsLoss(y?, y), Lrec = MSE(x?, x)。
训练后,融合表示B被用作FusionNet中每个样本的最终特征。
3.4. 多标签分类
FusionNet采用二元相关性策略来解决多标签分类任务。原始问题被分解为多个独立的二元分类任务,每个分类器预测是否存在特定行为。
应用了多种机器学习模型来提高鲁棒性。这些模型包括基于树的方法、基于核的方法、神经网络模型和集成方法。
随机森林使用100棵树,最大深度为10。梯度提升树采用100个估计器,学习率为0.1,深度为3。AdaBoost运行100次迭代。支持向量机使用RBF核,C=1.0,而线性SVM使用具有相同正则化参数的线性核。逻辑回归采用L2正则化,C=1.0,决策树配置的最大深度为10。堆叠结合了随机森林、梯度提升树和多层感知器作为基础学习器。装袋使用决策树作为基础学习器。每个分类器独立训练,最终预测是通过组合所有二元分类器的输出得到的。
4. 实验
4.1. 数据集和数据准备
实验在一个集成的恶意软件数据集上进行,该数据集结合了公开可用的样本和额外收集的样本。由于公开可用且可复制的Android恶意软件数据集有限,Drebin仍然是最广泛使用的公共基准之一。它包含来自179个恶意软件家族的大约5560个样本,涵盖了多样的恶意行为。最近的研究,包括Dong, Liu, Guo等人(2025)和Zhang, Xu等人(2026),也采用了Drebin进行评估。
而不是直接使用整个Drebin数据集,选择了代表性样本以改善对恶意软件家族和行为类型的覆盖。此外,还结合了之前工作中收集的一组恶意软件样本(Qiao等人,2022),以提高数据集的多样性和时效性。
为了支持多标签分类设置,每个样本都标注了其对应的恶意行为类型。结合静态和动态分析结果来识别行为类别,然后进行手动验证以确保注释的一致性。每个样本表示为一个二进制标签向量,其中每个维度表示特定恶意行为的存在或缺失。
最终数据集包含5456个样本,标注了六种类型的恶意行为。表1显示数据集表现出明显的类别不平衡。勒索行为的阳性样本数量明显少于互联网行为,这增加了多标签分类的难度。
表1.数据集的标签分布。标签类型:正面样本 负面样本
msg26362820 黑客勒索 1055351 保持 11414315 电话 7624694 广告 7154741 互联网 4594862
为了进一步明确数据集的时间覆盖范围,图2展示了带有可用时间元数据的恶意软件样本的分布情况。本研究中使用的Drebin衍生部分涵盖了2008年2月至2012年6月的时期,其中2011-2012年期间的样本数量明显较多。这一观察结果表明,该数据集覆盖了多年的时间范围,而不仅仅是一个单一的收集快照。
下载:下载高分辨率图片(113KB)
下载:下载全尺寸图片
图2. 本研究中使用的带有时间元数据的恶意软件样本的时间分布。
4.2. 实验设置
实验遵循FusionNet中定义的多标签分类设置。在API调用序列预处理和TF-IDF特征构建之后,得到的特征向量通过神经特征融合网络进一步处理,以获得紧凑的表示形式。这些表示随后被用作下游分类器的输入。
评估了多种机器学习模型,包括基于树的方法、基于核的方法、神经网络模型和集成方法。随机森林使用100棵树,最大深度为10;梯度提升树采用100个估计器,学习率为0.1,最大深度为3;AdaBoost运行100次迭代;支持向量机使用RBF核,C=1.0;线性SVM使用相同的正则化参数的线性核;逻辑回归采用L2正则化,C=1.0;决策树配置的最大深度为10。Stacking结合了随机森林、梯度提升树和多层感知器作为基础学习器,而Bagging使用决策树作为基础学习器。
使用五折交叉验证来分析不同训练划分下的模型稳定性,并支持选定分类器的超参数选择(Bai等人,2023年)。对于本研究中报告的主要结果,包括第4.3节中的原始特征与转换特征比较、基线比较、标签级分析以及消融研究,采用了7:3的固定训练-测试分割比例,以在统一的设置下提供保留结果。评估包括样本级别的指标,如准确率(ACC)、精确度(Precision)、召回率(Recall)和F1分数(F1-score)。还进行了标签级评估,以分析不同恶意行为的表现。同时,使用ROC曲线、PR曲线和特征重要性分析来检查模型行为(He等人,2024年)。
因此,在相同的实验设置下,我们实现了基于CalmDroid的基线(Dong, Liu, Zhang等人,2025年),以澄清FusionNet在第4.5节中的性能。具体来说,保留了基于核心集的代表性样本选择策略,同时将CalmDroid的预测阶段适应于本研究中使用的相同下游分类器和训练-测试分割。此外,在第4.7节中对提出的特征编码器进行了消融研究,以分析不同分支的贡献。
4.3. 特征转换的效果
为了评估FusionNet中的特征转换是否提高了分类性能,我们比较了应用TF-IDF和神经特征融合前后的结果。转换后的特征结果如表2所示,相对于原始输入基线的性能差异总结在表3中。
如表2所示,所有分类器在转换后的特征表示下都取得了持续强劲的性能,大多数评估指标超过了0.97。模型之间的性能差异很小,表明转换后的特征为多标签分类提供了一个稳定且统一的输入空间。这种稳定性表明,学习到的表示不依赖于特定的分类器选择。
表2. 使用转换特征的模型在测试集上的整体性能
模型 | ACC | Precision | Recall | F1-score
|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------|------与“Full w/o Reconstruction”相比,“Full FusionNet”在准确率(ACC)、精确度(Precision)、召回率(Recall)和F1分数(F1-score)上的变化分别为+0.0001、+0.0007、-0.0003和+0.0002。尽管这种差异表明性能有轻微变化,但在统计上并不显著。因此,重构损失(reconstruction loss)应被视为一种辅助的正则化项,而不是性能提升的直接来源。
4.8 模型行为分析
我们进一步分析了在不同决策阈值和类别不平衡条件下的模型行为,以评估学习到的特征表示的鲁棒性。具体来说,使用ROC曲线和PR曲线来检验模型在不同标签上的区分能力和稳定性。如图4(a)所示,大多数ROC曲线都接近左上角区域,表明在广泛的阈值范围内,正样本和负样本之间具有很强的可区分性。虽然“blackmail”标签的性能相对较弱,但其曲线仍然保持明显的上升趋势,这表明即使对于具有挑战性的类别,转换后的特征空间也保留了区分结构。
图4. 在转换特征下AdaBoost模型的行为分析。
图4(b)展示了PR曲线,它在类别不平衡的情况下提供了更全面的评估。大多数标签的PR曲线都保持在高水平,表明当正样本数量有限时,模型能够在精确度和召回率之间保持良好的平衡。这一观察结果与之前实验中报告的召回率提升一致。
总体而言,这些结果表明,基于TF-IDF和FusionNet的特征转换能够使得决策边界更加稳定,并在多标签和类别不平衡的场景中提高模型的鲁棒性。
5. 结论
本研究解决了识别移动恶意软件中多种共存恶意行为的问题。FusionNet被提出作为一个基于TF-IDF特征表示和神经特征编码的多标签分类框架。该数据集包含5456个样本,这些样本被标注为六种行为类别。实验结果表明,特征转换一致性地提高了不同分类器的分类性能。大多数模型的F1分数稳定在0.97左右,其中AdaBoost的表现最为显著。针对特定标签的分析进一步表明,对于少数类和难以处理的类别,模型取得了明显的提升。未来,我们将探索在类别不平衡和恶意软件行为演变情况下更鲁棒的特征学习策略。
CRediT作者贡献声明:
李秦曼:撰写原始稿件、方法论设计、数据分析、形式化分析。
张希翔:撰写修订稿件、监督工作、数据管理、概念构建。
廖伟明:可视化处理、数据分析、形式化分析。
周迪贵:撰写原始稿件、验证工作。
梁哲哲:验证工作、形式化分析、数据管理。
秦宁:软件实现、形式化分析。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号