<div>
	基于SVM算法的宏病毒处理模型研究
</div>

doi:10.15966/j.cnki.dnydx.2022.z1.010

全文: PDF( KB)
输出: BibTeX | EndNote (RIS)

摘要

宏病毒是存在于Office文档中的病毒，虽然传统杀毒软件可以扫描已有宏病毒，但是对于新出现的宏病毒处理

仍然存在不足。使用机器学习的方法，通过比较正常宏和有害宏的特征不同，提出了一种新的宏特征选择方法，并使用SVM

算法训练得到分类模型。结合分类模型和宏自身的病毒特征进行综合判断，从而可以达到对新出现宏的类别预测。实验结果

表明，采用该模型成功率可以达到83.61%。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ：

宏病毒, 机器学习, SVM, 特征选择, 病毒特征

Abstract：

The macro virus is a virus that exists in the Office document. Although the traditional anti-virus software can scan the existing macro viruses, there are still shortcomings in the new macro virus. By using the method of machine learning, a new macro feature selection method is proposed by comparing the characteristics of normal macro and harmful macro, and the SVM algorithm is

used to train the classification model. Combined with the classification model and the macro's own virus characteristics, we can

make a comprehensive judgment, so that we can predict the new macro categories. The experimental results show that the success rate can achieve 83.61% in this model.

Key words：

macro virus machine learning SVM feature extraction virus characteristic

年卷期日期: 2022-02-10 出版日期: 2022-01-31

基金资助:

江苏高校哲学社会科学研究项目，项目编号：2021SJA2257。

作者简介: 张丽（1981—），女，山东莱芜人，硕士，讲师，研究方向：信息安全、机器学习。

引用本文:

张丽.

基于SVM算法的宏病毒处理模型研究

[J]. 电脑与电信, 2022, 1(1-2): 41-45.
ZHANG Li.

Research on Macro Virus Processing Model Based on SVM Algorithm

. Computer & Telecommunication, 2022, 1(1-2): 41-45.

链接本文:

http://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2022.z1.010 或 http://www.computertelecom.com.cn/CN/Y2022/V1/I1-2/41

[1]	刘卉芳. 基于运营商大数据的反欺诈模型研究与应用[J]. 电脑与电信, 2021, 1(7): 46-52.
[2]	杨光陈亚睿. 机器学习案例化教学方法研究 [J]. 电脑与电信, 2021, 1(11): 33-36.
[3]	王玉何珍祥. 机器学习算法在入侵检测中的应用研究[J]. 电脑与电信, 2020, 1(7): 1-3.
[4]	童莲. 大数据背景下的机器学习算法应用研究[J]. 电脑与电信, 2018, 1(9): 29-31.
[5]	宋添树, 李江宇, 张沁哲. 基于CBOW模型的个人微博聚类研究[J]. 电脑与电信, 2018, 1(4): 69-72.
[6]	龚永罡汪昕宇李玉莹王蕴琪. 中文文本敏感信息自动校对方法研究[J]. 电脑与电信, 2018, 1(12): 66-69.
[7]	王旺. 基于机器学习的基站覆盖范围仿真[J]. 电脑与电信, 2018, 1(11): 45-47.
[8]	卫小强. 基于深度学习的过完备字典稀疏表示的矩阵分析[J]. 电脑与电信, 2017, 1(7): 97-99.
[9]	刘利萍. 基于免疫智能的网络异常检测算法[J]. 电脑与电信, 2017, 1(12): 67-70.
[10]	陈小梅. 肿瘤微阵列数据的小波模极大值特征提取[J]. 电脑与电信, 2016, 1(5): 46-48.
[11]	许璐蕾. 网络评论中情感词的获取及极性判断方法比较[J]. , 2011, 1(01): 0-0.