A Closer Look at Machine Learning Effectiveness in Android Malware Detection

doi:10.3390/info14010002

A Closer Look at Machine Learning Effectiveness in Android Malware Detection

2022-12-21

0

OA

AI

DOI：10.3390/info14010002

原文链接

原文求助

摘要

En 中文

如今，随着Android设备在日常生活中的使用日益增多，恶意软件的数量正在迅速增长，对用户的安全和隐私构成了威胁。为减轻这一威胁，一些研究人员提出了不同的Android恶意软件检测方法。近年来，大量研究人员探索了基于机器学习的模型以检测Android恶意软件。然而，选择最合适的模型并非易事，因为需要考虑多个方面。为了推动该领域的发展，本文从不同角度探讨了Android恶意软件检测，这是通过优化和评估各种机器学习算法实现的。具体而言，我们进行了一项实验，用于训练、优化和评估27种机器学习算法以及一个深度神经网络（DNN）。在优化阶段，我们使用Optuna框架进行了超参数分析。评估阶段包括使用一个当代、丰富的数据集测量不同的性能指标，以确定最准确的模型。最佳模型进一步通过特征分析进行解释，使用了Shapley Additive Explanations（SHAP）框架。我们的实验结果表明，最佳模型是包含四个层（两层隐藏层）的DNN，使用了Adamax优化器，以及二元交叉熵（损失）和Softsign激活函数。该模型以86%的预测准确率成功运行，而平衡准确率、F1分数和ROC-AUC指标分别为82%。

A Closer Look at Machine Learning Effectiveness in Android Malware Detection

摘要

期刊

机构

引用论文