公开(公告)号：CN102509039B

公开(公告)日：2014-11-26

申请号：CN201110306969.8

申请日：2011-09-27

Applicant: 微软公司

Inventor： K·拉丁斯基 ,  R·瓦尔沙夫斯基 ,  J·W·斯托克斯 ,  V·霍洛斯托弗 ,  E·谢弗

IPC: G06F21/56

CPC classification number: G06F21/563 ,  G06F21/56 ,  G06Q10/06 ,  G06Q30/00

Abstract: 本发明涉及实时多引擎选择和组合。基于分类引擎处理给定实体(例如，文件)的专长来选择分类引擎的架构。对引擎的选择基于该引擎将使用未知实体的特性探测到该未知实体分类的概率。排名最高的一个或多个引擎被激活以实现所需的性能。使用统计的、低性能要求的模块来跳过或选择若干高性能要求的过程。使用方法和算法来基于匹配(一个或多个)最佳分类引擎来基于实体特性探测实体类的学习。提供用于指定已排序的分类引擎的最大数量的用户选择选项，以考虑机器的每个状态。用户可以选择针对特定实体(例如，未知文件)的探测的最小概率。可以随着分类引擎的更新而随着时间的推移重新评估最佳分类。

公开(公告)号：CN102509039A

公开(公告)日：2012-06-20

申请号：CN201110306969.8

申请日：2011-09-27

Applicant: 微软公司

Inventor： K·拉丁斯基 ,  R·瓦尔沙夫斯基 ,  J·W·斯托克斯 ,  V·霍洛斯托弗 ,  E·谢弗

IPC: G06F21/00

CPC classification number: G06F21/563 ,  G06F21/56 ,  G06Q10/06 ,  G06Q30/00

Abstract: 本发明涉及实时多引擎选择和组合。基于分类引擎处理给定实体(例如，文件)的专长来选择分类引擎的架构。对引擎的选择基于该引擎将使用未知实体的特性探测到该未知实体分类的概率。排名最高的一个或多个引擎被激活以实现所需的性能。使用统计的、低性能要求的模块来跳过或选择若干高性能要求的过程。使用方法和算法来基于匹配(一个或多个)最佳分类引擎来基于实体特性探测实体类的学习。提供用于指定已排序的分类引擎的最大数量的用户选择选项，以考虑机器的每个状态。用户可以选择针对特定实体(例如，未知文件)的探测的最小概率。可以随着分类引擎的更新而随着时间的推移重新评估最佳分类。