本文研究恶意软件分类模型中概念漂移的检测与自适应重训练问题。概念漂移是指数据统计特性随时间发生变化，从而导致基于历史数据训练的机器学习模型性能下降。在恶意软件检测场景中，攻击者不断修改恶意代码以规避检测，因此模型极易受到概念漂移的影响。作者提出了一种基于一类支持向量机（OCSVM）的新型概念漂移检测方法，并与已有的基于小批量K均值（MK-Means）的方法以及统计检验方法最大均值差异（MMD）进行对比。实验部分系统比较了四种学习模型：多层感知机、随机森林、支持向量机和极端梯度提升（XGBoost）。对每种模型，作者设计了三种场景：静态场景（不进行任何重训练）、周期场景（无论是否发生漂移都定期重训练）和漂移感知场景（仅当检测到概念漂移时才重训练）。通过帕累托前沿分析，作者评估了漂移感知场景下模型精度与训练效率之间的权衡。实验结果表明，三种概念漂移检测技术都能达到与周期重训练相当的分类精度，但在需要重训练的模型数量上显著减少，从而大幅提升效率。其中，基于OCSVM的漂移感知重训练方法在整体上优于MK-Means和MMD方法。该研究为恶意软件分类模型的持续学习提供了可行的解决方案，有助于在保持高检测精度的同时降低计算开销。适合关注机器学习鲁棒性、恶意软件检测系统维护以及对抗性机器学习的研究人员和工程师阅读。