利用深度强化学习进行高级持续威胁（APT）归属
原文中文，约300字，阅读约需1分钟。发表于：。本文研究了深度强化学习（DRL）在将恶意软件归属到特定高级持续威胁（APT）团体中的应用，旨在填补现有技术在恶意软件行为分析方面的空白。通过对3500多个来自12个APT团体的恶意软件样本进行分析，结果显示DRL模型在准确率上显著优于传统机器学习方法，达到了89.27%。该研究展现了DRL在网络安全中的变革潜力，同时指出在处理复杂恶意软件特征时的有效性和资源需求，为未来的AI集成提供了重要依据。
本文研究了深度强化学习在将恶意软件归属到特定APT团体中的应用。通过分析3500多个样本，DRL模型准确率达89.27%，优于传统方法，展示了其在网络安全中的潜力和处理复杂特征的有效性。
