基于可信度概率区间的多模型恶意代码检测方法

摘要

本发明提出一种基于可信度区间的多模型恶意代码检测系统。每种机器学习检测模型都对应着底层数据的一种分布，各种基于阈值的检测模型都可以整合到本发明的统计平台上，实现从多角度观检测意代码数据的分布，缓解概念漂移带来的模型退化问题。本检测系统改变了现有机器学习检测模型的0或1的预测模式，基于现有的检测模型计算出的得分，进行统计分析，对样本的得分分布和样本的标签建立保序回归函数。对于未知样本，根据现有检测模型给出的得分，输入已计算出的保护回归函数，可以给出预测为某个标签的可信度概率区间，这个概率区间可以缓解固定阈值对训练数据集的过度拟合问题，提升检测模型对当前动态数据的适应能力，提前发现概念漂移现象。