SNIF：基于最先进的SHAP–NCA交叉框架的可解释性驱动特征选择方法，用于恶意软件检测

《IEEE Women in Engineering Magazine》：SNIF: Explainability-Driven feature selection through state-of-the-art SHAP–NCA intersection framework for malware detection

　　

摘要：

现代恶意软件检测依赖于深度神经网络，通过利用庞大的特征空间来实现高检测性能。然而，这些模型往往存在维度过高、可解释性有限以及因冗余特征而导致的可靠性下降等问题。这就使得特征对预测结果的真正贡献难以被清晰理解。为解决这些问题，本研究提出了一种具有可解释性意识的特征剪枝技术，以提高深度神经网络的性能和效率。本研究的核心是开发一种名为SHAP–NCA交叉框架（SNIF）的新方法，该框架将可解释性与特征选择相结合，以实现高效且可靠的恶意软件检测。所提出的SNIF框架的独特之处在于，它通过基于共识的交叉机制，将基于SHAP的可解释性驱动型特征剪枝与基于NCA的统计特征选择相结合。通过这种交叉策略，SNIF成功地将特征空间减少了61.04%（从1327个特征减少到517个特征），从而得到了一个简洁且由可解释性指导的特征子集。该方法的准确率高达0.9323%，精确度也有显著提升，达到了0.8358%，这意味着误报率降低，同时推理时间也有所缩短，仅为0.1480%，而且仍能保持较高的检测准确率。与传统仅依赖准确率或缺乏可解释性的方法不同，SNIF通过NCA和SHAP的一致性，仅保留那些具有区分性和高影响力的特征，从而提供更为精准且少冗余的解释。