构建针对恶意代码检测机器学习模型的对抗样本,是发掘恶意代码检测模型缺陷,评估和完善恶意代码检测系统的关键。该文提出一种基于遗传算法的恶意代码对抗样本生成方法,生成的样本在有效对抗基于机器学习的恶意代码检测模型的同时,确保了恶意代码样本的可执行和恶意行为的一致性,有效提升了生成对抗样本的真实性和模型对抗评估的准确性。实验表明,该文提出的对抗样本生成方法GF120918体外使MalConv恶意代码检测模型的检测准确率下降了14.65%;并可直接对VirusTotal中4款基于机器学习的恶意代码检测商用引擎形成有效的干扰,其中,Cylance的检测准确率只有53.55%。
针对模糊C-均值聚类分析(FCM)易陷入局部最小值以及对初始聚类中心敏感度过大的缺点,首先使用一种基于密度的查找更多DBSCAN算法,通过计算数据间距离与密度的方法确定聚类数,同时在遗传模拟退火算法(SAGA)的基础上,提出了基于多种群遗传模拟退火算法的聚类分析。首先对FCM进行分析与评价,提出FCM在确定聚类数与聚类过程方面的不足;然后针对FCM中的不足选择ST-DBSCAN算法确定聚类数,同时对遗传模拟退火算法进行研究,加入多种群并行EPZ015666供应商遗传思想对遗传模拟退火算法进行优化;最后将FCM与多种群遗传模拟退火算法有机结合,优化聚类过程。实验结果表明,上述算法有较好的全局搜索能力与收敛能力,同时在聚类效果与稳定性上较传统聚类算法有一定的优势。
程序控制流的设计是为实现正确的数据流服务的,数据流测试是非常重要的。文中将面向all-uses数据流准则的测试用例生成问题建模为多目标优化问题,提出了一种基于遗传算法的测试用例生成方法。