Сдвиг концепций на практике

Классификация вредоносных программ в динамических средах представляет собой значительную проблему из-за дрейфа концепций, где статистические свойства данных вредоносных программ со временем меняются, усложняя усилия по обнаружению. Для решения этой проблемы мы предлагаем структуру глубокого обучения, улучшенную генетическим алгоритмом для повышения точности классификации вредоносных программ и адаптивности с обработкой дрейфа концепций. Наш подход включает операции мутации и оценки оценки пригодности в генетических алгоритмах для постоянного совершенствования модели глубокого обучения, обеспечивая устойчивость к развивающимся угрозам вредоносных программ. Экспериментальные результаты показывают, что этот гибридный метод значительно повышает производительность классификации и адаптивность, превосходя традиционные статические модели. Наш предлагаемый подход предлагает многообещающее решение для классификации вредоносных программ в реальном времени в постоянно меняющихся ландшафтах кибербезопасности. - Deep Learning-Driven Malware Classification with API Call Sequence Analysis and Concept Drift Handling

Практическая работа, демонстрирующая борьбу со сдвигом концепций