16、嵌入式系统中机器学习在恶意软件分析中的应用

嵌入式系统中机器学习在恶意软件分析中的应用

1. DFA指数稳定性评估

为了评估DFA（Detrended Fluctuation Analysis）指数的稳定性，我们针对不同数量的模拟输入事件开展了实验。选取了随机的恶意应用样本，刺激数量S从2000逐步增加到14000，步长为1000。对于每个应用和S值，进行5次运行，每次运行计算所有指标的DFA指数。

指标	描述
用户CPU使用率	反映应用运行时对CPU资源的占用情况
常驻集大小	应用在内存中常驻的内存空间大小
传输数据包数量	应用在运行过程中传输的数据包数量

从图中展示的3个选定指标（用户CPU使用率、常驻集大小、传输数据包数量）的DFA指数趋势来看，随着刺激数量的增加，DFA指数的平均值在不同数量的生成刺激下表现出足够的稳定性。并且，当S从4000开始，方差足够小。基于这些结果，我们确定S = 10000，这似乎是实验持续时间和DFA指数稳定性之间的一个良好折衷。

graph LR
    A[开始实验] --> B[设置刺激数量S从2000到14000，步长1000]
    B --> C[选取