.png){kind=icon}
返回
A Multimodal Deep Learning Method for Android Malware Detection Using Various Features
.png){kind=icon}
OA
AI
DOI：10.1109/TIFS.2018.2866319.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能手机的广泛使用，恶意软件的数量呈指数级增长。在智能设备中，android设备是恶意软件最具针对性的设备，因为它们的受欢迎程度很高。本文提出了一种新的android恶意软件检测框架。我们的框架使用各种特征来从各个方面反映android应用程序的属性，并使用我们的基于存在或基于相似性的特征提取方法对特征进行细化，以实现对恶意软件检测的有效特征表示。此外，提出了一种多模态深度学习方法作为恶意软件检测模型。本文是多模态深度学习在android恶意软件检测中的首次研究。使用我们的检测模型，可以最大化包含多个特征类型的好处。为了评估性能，我们对总共41个260样品进行了各种实验。我们将我们的模型与其他深度神经网络模型的准确性进行了比较。此外，我们从各个方面评估了我们的框架，包括模型更新的效率，各种特征的有用性以及我们的特征表示方法。此外，我们将框架的性能与其他现有方法 (包括基于深度学习的方法) 的性能进行了比较。
Keyword:
Android malware
malware detection
intrusion detection
machine learning
neural network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8
论文数:
5.2K
被引数:
2.3W
机构
引用论文
Physicochemical Characteristics of the Birnessite and Todorokite Synthesized Using Various Methods.png)
MineralsOAAI
MineralsIF0
OAAI分享收藏Improved Particle Size Control for the Dispersion Polymerization of Methyl methacrylate in Supercritical Carbon Dioxide超临界二氧化碳中甲基丙烯酸甲酯分散聚合的改进粒度控制OAAI
OAAI分享收藏
查看更多内容