.png){kind=icon}
返回
AMALGAN: Image-Based Android Malware Classification Using Generative Adversarial Network
.png){kind=icon}
OA
AI
DOI：10.1049/tje2.70146.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Android恶意软件检测过程需要分析大量文件以确保系统安全。恶意软件也可以嵌入媒体文件和图像中。Android恶意软件利用Android平台通过恶意软件开发者创建的图像文件传播恶意负载。提出的基于生成对抗网络（AMALGAN）的Android恶意软件检测方法采用图像数据来识别和分类Android恶意软件。与生成对抗网络（GANs）在数据生成或增强方面的传统应用不同，所提出的方法创新性地利用GANs进行恶意软件检测。在本工作中，GAN的两个模块——生成器和判别器——被微调以识别和分类恶意软件。使用基于图像的恶意软件数据集进行训练和验证。GAN充当辅助分类器，同时应用混合恶意软件分析技术提取相关特征。采用标准评估指标来评估所提出的AMALGAN模型的有效性。结果表明，AMALGAN达到95.24%的准确率、94.31%的精确率、96.12%的召回率和94.11%的F1分数。这些结果证实，所提出的方法在准确率、精确率、召回率和F1分数方面优于几种最先进的方法。
Keyword:
Android malware detection
Cybercrime
Cybersecurity
generative adversarial network
image-based malware classifier
machine leanring
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
J
IF:
1
论文数:
58
被引数:
0
机构
引用论文
A blockchain‐based resilient and secure framework for events monitoring and control in distributed renewable energy systems一种基于区块链的分布式可再生能源系统中事件监控与控制的弹性安全框架OAAI
OAAI分享收藏
DroidRL: Feature selection for android malware detection with reinforcement learningDroidRL: 通过强化学习进行android恶意软件检测的功能选择.png)
COMPUTERS & SECURITYOAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏
查看更多内容