基于N-Gram静态分析技术的恶意软件分类研究

作者：张光华; 高天娇; 陈振国; 于乃文^*

来源：计算机科学, 2022, 49(08): 336-343.

• N-Gram
• 静态分析
• 机器学习
• 恶意软件

为了解决恶意软件分类准确率不高的问题，提出了一种基于N-Gram静态分析技术的恶意软件分类方法。首先，通过N-Gram方法在恶意软件样本中提取长度为2的字节序列；其次，根据提取的特征利用KNN、逻辑回归、随机森林、XGBoost训练基于机器学习的恶意软件分类模型；然后，使用混淆矩阵和对数损失函数对恶意软件分类模型进行评价；最后，将恶意软件分类模型在Kaggle恶意软件数据集中进行训练和测试。实验结果表明，XGBoost和随机森林的恶意软件分类模型准确率分别达到了98.43%和97.93%,Log Loss值分别为0.022 240和0.026 946。与已有方法相比，通过N-Gram进行特征提取的方法可以更准确地对恶意软件进行分类，保护计算机系统免受恶意软件的攻击。

• 单位
  综合业务网理论及关键技术国家重点实验室; 西安电子科技大学; 华北科技学院; 河北科技大学