Comprehensive evaluation of Mal-API-2019 dataset by machine learning in malware detection

本研究对使用机器学习技术进行恶意软件检测进行了彻底的研究，重点评估了使用Mal-API-2019数据集的各种分类模型。旨在通过更有效地识别和缓解威胁来提高网络安全能力。研究探讨了集成和非集成机器学习方法，如随机森林、XGBoost、K最近邻（KNN）和神经网络。特别强调了数据预处理技术的重要性，特别是TF-IDF表示和主成分分析，以提高模型性能。结果表明，集成方法，特别是随机森林和XGBoost，相比其他方法具有更高的准确性、精度和召回率，突显了它们在恶意软件检测方面的有效性。本文还讨论了局限性和潜在的未来方向，强调了需要不断适应恶意软件不断演变的本质。本研究为网络安全领域的持续讨论做出了贡献，并为开发更强大的恶意软件检测系统提供了实用的见解。

本研究旨在通过使用机器学习技术对Mal-API-2019数据集进行分类模型评估，从而提高恶意软件检测的效率和准确率。

本研究使用了集成和非集成的机器学习方法，特别是随机森林、XGBoost、KNN和神经网络，并强调了数据预处理技术的重要性，如TF-IDF表示和主成分分析，以提高模型性能。

研究结果表明，集成方法，特别是随机森林和XGBoost，表现出比其他方法更高的准确率、精度和召回率，这突显了它们在恶意软件检测中的有效性。此外，本研究还强调了恶意软件检测系统需要不断适应恶意软件不断变化的本质。

在这个领域中，最近的相关研究包括：'A survey of machine learning for malware detection'、'Malware detection using machine learning algorithms'和'Malware detection using machine learning: A review'。