-
题名结合特征降维的安卓恶意软件检测模型
- 1
-
-
作者
罗养霞
崔泽豪
李晓雨
-
机构
西安财经大学信息学院
华中师范大学伍伦贡联合研究院
-
出处
《江西师范大学学报(自然科学版)》
北大核心
2025年第4期392-400,共9页
-
基金
国家自然科学基金(62301304)
陕西省自然科学基础研究计划(2025JC-YBMS-670)
国家留学基金委项目和西安财经大学研究生创新基金(23YC033)资助项目.
-
文摘
安卓生态系统的开放性和灵活性导致恶意软件激增,对用户信息与财产安全构成严重威胁.为了提高安卓恶意软件的检测效果,该文提出基于机器学习的安卓恶意软件检测模型.首先,通过对安卓恶意软件数值特征进行预处理,优化机器学习检测模型的初始输入特征;然后,构建BP神经网络、SVR和XGBoost 3种安卓恶意软件检测模型进行对比,提出最优检测模型;最后,在最优检测模型的基础上,结合AE、PCA和GBDT 3种特征降维技术进行对比,提出结合特征降维的最优安卓恶意软件检测模型.实验结果表明:XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)、R^(2)值分别为0.1475、0.1164、0.4718,效果最好.结合特征降维算法,AE-XGBoost检测模型的评价指标ε_(MAE)、ε_(RMSE)和R^(2)值分别为0.1127、0.0890、0.6918,效果最好.这表明基于机器学习的安卓恶意软件检测模型是一种有效的检测方法,该模型可以为信息安全提供重要技术支持.
-
关键词
机器学习
安卓恶意软件检测
特征降维
XGBoost
自动编码器
-
Keywords
machine learning
Android malware detection
feature dimensionality reduction
XGBoost
autoencoder
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
-
题名安卓恶意软件对抗样本攻击技术综述
- 2
-
-
作者
李珩
吴棒
龚柱
高翠莹
袁巍
罗夏朴
-
机构
华中科技大学电子信息与通信学院
香港理工大学计算机系
-
出处
《软件学报》
北大核心
2025年第6期2683-2712,共30页
-
基金
中国博士后科学基金(2024M751010)
国家资助博士后研究人员计划(GZB20240248)
+1 种基金
网络空间安全教育部重点实验室及河南省网络密码技术重点实验室开放基金课题(KLCS20240305)
CCF-绿盟科技“鲲鹏”科研基金(CCF-NSFOCUS 2023011)。
-
文摘
面对Android恶意软件带来的严重的安全风险,如何有效检测Android恶意软件已成为工业界与学术界共同关注的焦点.然而随着Android对抗样本技术的出现,现有的恶意软件检测系统面临着前所未有的挑战.Android恶意软件对抗样本攻击通过对恶意软件的源码或特征进行扰动,使其在保持原始功能不受影响的条件下绕过恶意软件检测模型.尽管目前已有大量针对恶意软件的对抗样本攻击研究,但是现阶段仍缺乏针对Android系统对抗样本攻击的完备性综述,且并未研究Android系统中对抗样本设计的独特要求,因此首先介绍Android恶意软件检测的基本概念;然后从不同角度对现有的Android对抗样本技术进行分类,梳理Android对抗样本技术的发展脉络;随后综述近年来的Android对抗样本技术,介绍不同类别的代表性工作并分析其优缺点;之后,分类介绍常用的安卓对抗样本攻击所使用的代码扰动手段并分析其应用场景;最后讨论Android恶意软件对抗样本技术面临的挑战,展望该新兴领域的未来研究方向.
-
关键词
安卓恶意软件检测
对抗样本攻击
AI安全
软件安全
-
Keywords
Android malware detection
adversarial example attack
AI security
software security
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
