本文研究基于硬件性能计数器（HPC）的恶意软件检测方法。HPC 是处理器运行时采集的低层微架构活动数据，可反映应用行为。传统杀毒软件依赖特征匹配，难以应对未知威胁；硬件辅助检测作为补充，可增强系统安全。然而，HPC 检测面临挑战：处理器每个时钟周期最多只能同时测量 2 到 8 个性能事件，而完整刻画应用行为通常需要更多事件，导致检测效率低下。为此，作者提出利用集成学习技术优化 HPC 选择与分类器组合，以较少的 HPC 数量达到甚至超过传统多 HPC 方案的检测性能。实验基于 18 种机器学习模型和两种集成学习方法，构建了共 144 种配置。结果表明，采用集成学习仅用 2 个 HPC 即可比使用 8 个 HPC 的标准分类器提升最多 10% 的检测性能；同时，仅需 4 个 HPC 就能匹配使用 16 个 HPC 的标准 ML 检测器性能，从而大幅降低硬件测量开销，使运行时恶意软件检测成为可能。该研究为高效、低开销的硬件级恶意软件检测提供了新思路，并验证了集成学习在减少性能事件数量方面的有效性。