基于特征工程与集成学习的恶意软件预测研究

作者：张银杰; 揣锦华; 翟晓惠

来源：计算机时代, 2020, (07): 7-11.

DOI：10.16644/j.cnki.cn33-1094/tp.2020.07.003

• 恶意软件预测
• 特征工程
• LightGBM
• XGBoost

针对微软恶意软件预测数据集,文章结合特征工程的思想和集成学习算法实现恶意软件感染的预测。为了更好地适应算法的输入要求,对数据集进行预处理和特征构建,并提出一种利用LightGBM算法以提高预测性能的启发式搜索方式,得到最终的特征集。以筛选后的特征构成的数据集实现了LightGBM、XGBoost和CART算法的预测,并对预测性能进行了比对分析。通过完全相同的交叉验证证明,在恶意软件预测时,集成学习算法有更好的预测性能,AUC值明显高于传统决策树算法。