特征选择是数据降维的方法之一,在机器学习中具有去除数据集冗余特征,降低计算时间开销的作用。过滤式特征选择是特征选择方法中的一种,传统的过滤式特征选择方法注重于选出有利于分类器分类的特征,却缺乏对安全问题的考虑。近几年的研究表明,传统过滤式特征选择方法选出特征后,已选特征的数据子集提供给分类器使用时,攻击者能轻易地逃避分类器的检测。为解决此问题,目前现有方法FAFS对此提出了对抗过滤式特征选择模型,分别采用m RMR、每个恶意样本到最邻近合法样本距离均值,来衡量特征的泛化能力和安全性,并以两者加权和的形式来评估特征在分类问题下的好坏。FAFS使得所选出的特征有利于给分类器提供有效信息的同时,也让这些特征较难被攻击者通过修改来误导分类器的正确分类。但FAFS对于含有的少量异常值的数据集的特征,存在评估安全性不够准确的问题;除此之外,该方法还不适合于选择离散取值特征,尤其是布尔类型的特征。本论文提出了一个新的对抗过滤式特征选择方法DAFFS,采用SU作为泛化能力,衡量特征能为分类器分类提供多少信息;与此同时,引入从两类样本数据分布的差异出发来计算两类样本相似度的EM距离,以衡量特征的安全性。DAFFS相较于现有方法FAFS,具有受噪声或异常值的影响较小,能更准确地处理离散类型特征的优势;其既可在无攻击环境下选出具备足够泛化能力的特征,又能使得这些选出的特征在有攻击的环境下具备较好的安全性,为可能潜在安全性问题的机器学习研究或应用提供了安全可靠的特征选择方法。DAFFS适合应用于垃圾邮件分类、计算机病毒检测等对安全性较为敏感的机器学习系统中。