.png){kind=icon}
返回
Android Zero-Day Guard: Zero-Shot Malware Detection Using Deep Learning and Generative Models
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSM.2026.3671305.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种面向Android的零日恶意软件检测方法，命名为Android Zero-Day Guard。通过结合深度神经网络与零样本学习，该方法能够在未接触恶意样本的情况下识别新兴威胁。该方法将APK文件转换为图像并提取深度特征，从而有效捕捉恶意软件的行为模式。实验结果表明，所提出的方法在多个恶意软件家族中达到精度94.93%、召回率93.75%和F1分数94.28%。该方法无需依赖动态分析，表现出强大的检测能力和泛化性能，非常适合新兴威胁的早期识别。尽管模型在基准数据集上表现优异，但在快速演变的威胁环境中部署时，对最新家族的持续验证至关重要。
Keyword:
Malware
Feature extraction
Accuracy
Zero shot learning
Smart phones
Generative adversarial networks
Computational modeling
Data models
Convolutional neural networks
Application programming interfaces
Android zero-day malware
zero-shot learning
Wasserstein generative adversarial network
malware detection
期刊
IF:
5.4
论文数:
590
被引数:
9.2K
机构
引用论文
Malware-SMELL: A zero-shot learning strategy for detecting zero-day vulnerabilities.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Zero-day Ransomware Attack Detection using Deep Contractive Autoencoder and Voting based Ensemble ClassifierAPPLIED INTELLIGENCE
OAAI
APPLIED INTELLIGENCEIF3.5
OAAI分享收藏
分享收藏Unveiling vulnerabilities in deep learning-based malware detection: Differential privacy driven adversarial attacksCOMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏
查看更多内容