.png){kind=icon}
返回
A feature-learning-enabled malware analysis for enhanced IoT-centric cybersecurity
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05549-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）的快速扩张增加了数百万台连接设备，以提供远程传感、执行和监控等智能服务。然而，这种广泛连接和智能功能也引入了多个网络安全漏洞。基于传统机器学习（ML）的安全解决方案因网络安全威胁的动态特性而不足。新的恶意软件类型无法被大多数基于ML的安全解决方案检测到，因为它们依赖静态特征提取。此外，一些技术需要人类专业知识且耗时。为解决这些挑战，本文提出了一种面向物联网中心网络安全、基于特征学习的动态恶意软件检测与分类方法。所提出的模型整合了卷积神经网络（CNNs）用于自动特征提取，以及长短期记忆（LSTM）网络用于序列行为分析。该模型确保了自适应学习，并提高了恶意软件检测的准确性。与常规方法不同，我们的模型不局限于特定恶意软件类型。所提出方法在MTA-KDD’19数据集上进行了性能评估，该数据集提供了合法和恶意网络流量的真实表征。实验结果表明其性能优越，达到99.83%的精确度、99.90%的召回率、99.74%的准确率和99.87%的F1分数。这些发现证实了所提出的动态恶意软件检测框架能够增强网络威胁缓解，并确保安全的物联网系统。
Keyword:
IoT-centric cybersecurity
Malware analysis
Feature learning
Deep learning
Convolutional Neural Networks (CNN)
Long Short-Term Memory (LSTM)
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
A Secure Intrusion Detection Platform Using Blockchain and Radial Basis Function Neural Networks for Internet of Drones基于区块链和径向基函数神经网络的无人机网络安全入侵检测平台
PREAI
分享收藏A Digital DNA Sequencing Engine for Ransomware Detection Using Machine Learning使用机器学习进行勒索软件检测的数字DNA测序引擎.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Dalvik Opcode Graph Based Android Malware Variants Detection Using Global Topology FeaturesIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A feature-hybrid malware variants detection using CNN based opcode embedding and BPNN based API embedding使用基于CNN的操作码嵌入和基于BPNN的API嵌入的特征混合恶意软件变体检测COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏
查看更多内容