吴非
- 作品数：2 被引量：8H指数：2
- 供职机构：新疆大学信息科学与工程学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 改进随机森林算法在Android恶意软件检测中的应用被引量：3
- 2017年
- Random Forest作为一种常见的机器学习算法,不仅具备较高的分类回归性能,而且快速高效.传统的Random Forest算法并未在决策树的生成和选择上做深入研究,在本文中笔者提出一种降序去冗的寻优方式对机器学习中监督学习算法Random Forest进行改进,在保证准确率的同时减少随机森林的冗余度,并应用于Android系统的恶意软件检测.经过五折交叉验证法验证,改进的Random Forest算法能够在较低的冗余度下保证较高的准确率,同时改进的算法准确率在与同条件下的原算法的准确率以及OOB模型下的准确率相差在1%以内,在与单模型分类算法KNN和集成式学习算法Adaboost M1的对比试验中改进的Random Forest算法要优于以上两者.
- 吴非吴向前陈晓燕
- 关键词：RANDOMFORESTANDROID寻优
- 一种改进贝叶斯模型的Android恶意软件流量特征分析技术被引量：5
- 2018年
- 对于静态分析方法无法准确识别和判定的应用,如源代码混淆程度高或采用动态代码加载技术的应用,提取应用在连接互联网期间产生的网络流量为特征,再采用信息增益算法遴选出具有区分度的分类特征,以乘数取自然对数以及拉普拉斯校准改进的朴素贝叶斯算法建立分类器.经过十折交叉验证法验证,改进的朴素贝叶斯模型能够在降低时间复杂度的同时达到93%的准确率,通过信息增益算法选出具有区分度的特征能够在保证准确率的情况下提高检测效率,对比基于权限特征的恶意应用分类器,基于流量特征的改进朴素贝叶斯分类器具有较好的分类效果,并为Android恶意软件检测提供了新的方法和思路.
- 吴非裴源吴向前
- 关键词：贝叶斯模型ANDROID恶意软件
