基于特征工程与集成学习的恶意软件预测研究

张银杰 揣锦华 翟晓惠

摘要：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。

关键词：恶意软件预测;特征工程;LightGBM;XGBoost

中图分类号：520.4070 文献标识码：A 文章编号：1006-8228（2020）07-07-05

0引言

近年来，恶意软件在PC端的传播感染和攻击行为日益频繁，给企业和个人计算机用户的信息安全和财产带来严重威胁，在此背景下微软提供Windows计算机恶意软件感染数据集，旨在实现对计算机是否感染恶意软件的概率预测。机器学习在网络安全领域的应用也越来越广泛嘲，boosting集成学习算法是近年来机器学习中较为流行的算法，例如基于树模型集成的LightGBM和XGBoost算法，近年来常用于基于数据集的预测。本文对数据集进行了预处理，并根据特征工程的理论进行特征的构建与选择，最终使用boosting算法，实现对恶意软件感染的有效预测。如何从大量原始数据中尽可能地挖掘出与预测恶意软件相关联的信息，并借助集成学习的预测性能实现恶意软件的预测是本文研究的主要内容。

1数据认知与预处理