.png){kind=icon}
返回
Android Malware Detection Using API Calls and Permissions With Random Forest Classifier
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2026.3651861.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Android恶意软件对移动安全构成了持续不断的威胁，因为它能够破坏敏感的用户数据并逃避传统的检测方法。虽然基于签名的方法对已知威胁仍然有效，但它们通常无法对抗混淆或零日恶意软件。为了应对这一挑战，本文提出了一个基于机器学习的框架，使用随机森林分类器进行Android恶意软件检测。所提出的方法利用静态特征 (特别是API调用和权限) 来表征应用行为，而不需要代码执行。通过集成来自CIC-AndMal2017的标记样本、来自Android Studio SDK (API级别15-34) 的API详细信息以及来自GitHub存储库 (API级别1-14) 的遗留数据，构建了一个全面的数据集，确保了Android版本和威胁模式的广泛覆盖。采用相关分析的特征选择和主成分分析的降维方法对模型进行优化。最终的分类器达到了95% 的检测精度，证明了高性能和计算效率。这项工作的优势可以总结为强调多源数据集成，知情特征选择和集成学习在开发可扩展的，现实世界的Android恶意软件检测解决方案中的价值。
Keyword:
Android malware detection
machine learning
API calls
permissions
android security
malware classification
cybersecurity
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:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Healthcare Applications Using Blockchain With a Cloud-Assisted Decentralized Privacy-Preserving Framework医疗保健应用程序使用区块链与云辅助的分散隐私保护框架
PREAI
分享收藏MH-DLdroid: A Meta-Heuristic and Deep Learning-Based Hybrid Approach for Android Malware Detection
PREAI
分享收藏A Review of Android Malware Detection Approaches Based on Machine Learning基于机器学习的Android恶意软件检测方法综述.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏An efficient malware detection approach with feature weighting based on Harris Hawks optimization
PREAI
分享收藏分享收藏
查看更多内容