简介:MIFS:一个规范化的超标勒索软件威模型,产生更高的准确性和整体性能
Abdullah Alqahtani1,2, Frederick T Sheldon2
1College of Computer Science and Information Systems, Najran University, Najran 61441, Saudi Arabia.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
本研究介绍了一种增强的相互信息特征选择 (eMIFS) 方法,用于早期的勒索软件检测. 该技术通过在加密发生之前更好地识别独特的特征特征来提高准确性.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 早期检测勒索软件对于减轻损害至关重要.
- 功能选择是开发有效勒索软件检测模型的关键.
研究的目的:
- 建议使用正常化的超标函数进行增强的相互信息特征选择 (eMIFS) 技术,以改善勒索软件的早期检测.
- 以有限的攻击数据来解决特征特征感知方面的挑战.
主要方法:
- 使用术语频率-反向文档频率 (TF-IDF) 用于数字特征表示.
- 在MIFS框架内整合了一个规范化的超标函数 (tanh),以单独评估特征相关性和冗余性.
- 通过改进冗余系数估计,针对预加密检测进行了MIFS调整.
主要成果:
- 与传统的MIFS技术相比,eMIFS方法在早期勒索软件检测方面表现出更高的有效性.
- 规范化的超标函数显著增强了特征选择过程.
- 实现了一个更强大,更准确的勒索软件检测模型.
结论:
- 拟议的eMIFS技术在早期勒索软件检测方面取得了重大进展.
- 使用夸张函数对个体特征的评估可以提高模型的性能.
- 这种方法为在加密之前检测勒索软件提供了更有效的解决方案.
