基于神經(jīng)網(wǎng)絡集成的病毒檢測技術研究.pdf

1、當前，科學技術的飛速發(fā)展，使得計算機在人類的生活和工作中扮演著重要角色，但是隨之而來的計算機病毒給人類帶來了巨大損失。因此，研究實現(xiàn)一種通用的病毒檢測模型具有很大的現(xiàn)實意義。
　　本文首先研究分析計算機病毒和神經(jīng)網(wǎng)絡的相關原理，具體闡述了病毒特性、組成、分類和神經(jīng)網(wǎng)絡的功能特性。之后詳細論述了神經(jīng)網(wǎng)絡集成理論，并在此基礎上通過改進BP子分類器和引入D-S證據(jù)理論作為新的集成技術進行神經(jīng)網(wǎng)絡集成優(yōu)化。為了選擇識別率較高和差異度較大的

2、子分類器提高集成系統(tǒng)的泛化能力，本文通過兩種方式改進BP子分類器。一種是引入動量因子，這種技術是目前比較成熟的改進方法，另外一種是在傳統(tǒng)的自適應學習速率基礎上進行改進提出改進的自適應學習速率。這兩種方法不但可以緩解BP子分類器收斂速度慢和局部極小值問題，還可以減少子分類器間的相關度。D-S證據(jù)理論作為新的集成技術可以避免傳統(tǒng)投票法的不公平性，在不增加算法復雜的前提下提高識別率。本文基于優(yōu)化的神經(jīng)網(wǎng)絡集成提出D-S病毒檢測模型，該模型是一

3、種通用的病毒檢測器，可以有效識別多種常見病毒。樣本特征的提取使用N-gram模型進行一次篩選和使用信息增益進行二次篩選，減少輸入信息，降低信息維度。在訓練過程中使用Bagging算法擾動訓練數(shù)據(jù)降低子分類器的相關程度。
　　本文結合實驗室的軟硬件開發(fā)環(huán)境，在Matlab平臺上設計仿真實驗，驗證了改進的BP算法在收斂速度和極小值問題上有所緩解，驗證了集成檢測結果明顯優(yōu)于單分類器的檢測結果。與傳統(tǒng)的基于投票法的神經(jīng)網(wǎng)絡集成病毒檢測模型