研究人员开发了一种新方法，使用基于规则的分类器表示来检测不断演变的恶意软件家族中的概念漂移。该方法分析在EMBER2024数据集的时间窗口上训练的决策树规则集，通过比较规则表示（如特征重要性和预测一致性）来量化漂移。该技术旨在识别可能降低分类准确性的恶意软件行为变化，评估表明结合特征级皮尔逊相关性的两个月窗口策略最有效。 AI
影响 通过检测恶意软件行为的变化，为网络安全系统适应不断演变的威胁提供了一种新颖的方法。
排序理由 学术论文，详细介绍了概念漂移检测在恶意软件分类中的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2604.22629v1 Announce Type: cross Abstract: This work proposes a structural approach to concept drift detection in malware classification using decision tree rulesets. Classifiers are trained across temporal windows on the EMBER2024 dataset, and drift is quantified by compa…
This work proposes a structural approach to concept drift detection in malware classification using decision tree rulesets. Classifiers are trained across temporal windows on the EMBER2024 dataset, and drift is quantified by comparing extracted rule representations using feature …