.png){kind=icon}
返回
Android malware detection using a novel binary Firefly Bat feature selection algorithm
.png){kind=icon}
PRE
AI
DOI：10.1080/19393555.2026.2615244.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着全球超过20亿台设备投入使用，Android设备已成为网络犯罪分子的主要目标。卡巴斯基最近表示，移动恶意软件主要来自Android设备。因此，开发有效的Android恶意软件检测方法成为一项迫切需求。数据挖掘和机器学习等智能方法已在不同网络安全领域证明了其在开发恶意软件检测模型和工具方面的优势。然而，作为一个既定事实，数据挖掘和机器学习模型的性能显著受训练数据集质量的影响。数据集中的特征数量在开发智能模型中起着重要作用，这些模型需要在训练阶段和实施（预测）阶段平衡判别能力与低计算成本。本研究中，我们介绍了一种新颖的混合元启发式特征选择算法，该算法利用萤火虫算法的探索能力和二进制蝙蝠算法的外推能力。这种算法被称为二进制萤火虫蝙蝠算法（BFBA）。为了评估BFBA的性能，我们从不同可靠来源收集了一个包含等量恶意软件和良性Android应用程序的数据集。通过静态逆向工程和分析，从API调用、操作码、权限、意图和系统命令中提取了一个包含6292个属性的初始特征集。初步特征工程采用判别评分和方差阈值过滤，将特征空间缩减至545个属性，同时保留了判别信息。随后，使用BFBA生成的特征子集训练了随机森林和支持向量机分类器。实验结果表明，使用BFBA选择的特征构建的模型在性能上优于使用花授粉算法、草蜢优化算法和蚁群优化算法等知名元启发式算法生成的特征子集构建的模型。这些结果证实了BFBA在探索与利用之间达到了最优的权衡。总体而言，实验证实BFBA在开发稳健高效的Android恶意软件检测系统中发挥了积极作用。
Keyword:
Android
classification
feature selection
Firefly
malware detection
期刊
I
IF:
1.4
论文数:
39
被引数:
0
机构
引用论文
Neural network assisted multi-parameter global sensitivity analysis for nanostructure scatterometry
PREAI
分享收藏Enhancing android malware detection explainability through function call graph APIs通过函数调用图api增强android恶意软件检测的可解释性
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PermDroid a framework developed using proposed feature selection approach and machine learning techniques for Android malware detectionPermDroid使用提出的特征选择方法和机器学习技术开发的框架，用于Android恶意软件检测SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏分享收藏
查看更多内容