Machine Learning-Based Malware Software Detection Based on Adaptive Gradient Support Vector Regression
Notice bibliographique
Résumé
Malware Software detection is one of the key steps in developing the anti-malware software in computer systems. In the existing system, malware detection had been performed inefficiently with poor detection accuracy. The previous methods were not efficient enough to detect malware in terms of low efficiency, low overhead, and poor security. The proposed method uses the Machine learning approaches for Malware software detection based on the Adaptive Gradient Support Vector Regression (AGSVR) to overcome these issues. Initially, the pre-processing stage reduces the imbalanced data and missing values based on the Adaptive Normalized Data Analysis (ANDA) using the specified dataset. Secondly, features extracted from the pre-processing stage are used for the training and testing of dataset using the Adaptive Static Feature Analysis (ASFA) algorithm. Each selected feature value is extracted and stored with the associated category of specified dataset. Absolute rights are established based on the values assigned to the Malware software detection system. Finally, the analysis of the selected features is done using the classification based on the training and testing of malware data. The classification is based on the Adaptive Gradient Support Vector Regression (AGSVR) algorithm. Recognition is an approach to mutual identification that is useful for distinguishing between malicious and non-malicious applications. Then, the extracted information is used to classify malicious and benign applications that use machine learning-based AGSVR classification algorithm. The simulation results show the improved sensitivity and specificity, reduced error rate, high accuracy and reduced time complexity in the proposed method which is better than the previous method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».