.png){kind=icon}
返回
Cost-Aware Android Malware Detection Using an Early-Warning Behaviour Score
.png){kind=icon}
OA
AI
DOI：10.3390/computers15080504.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Android恶意软件检测系统通常强调预测准确性，而较少关注特征获取成本、部署效率及早期决策制定。本文提出了一种分阶段模型输入预算框架，用于成本感知的Android恶意软件筛查，并评估了在逐步扩展的静态特征表示下的分类性能。所提出的框架使用轻量级行为评分作为早期预警模型输入，该评分源自多个静态行为指标，包括权限风险、加密证据、网络活动及可疑关键词证据。该框架将评分视为非免费特征，区分了派生模型输入与构建其所需的底层静态指标。不确定样本通过基于置信度的决策规则从早期预警阶段逐步升级到更丰富的特征预算，而自信样本可在全特征分析前得到解决。实验评估报告了经过超参数调优的模型性能、经验推理时间分析、基于置信度的升级行为、马修斯相关系数、误报率分析、低误报率操作点、交叉验证、统计测试及使用Drebin基准的外部代理预算验证。在主要的Android应用程序数据集上，行为评分阶段达到了F1分数0.8750。当添加低成本静态指标时，该框架实现了F1分数0.9654和马修斯相关系数0.9267。完整特征集实现了最高的F1分数0.9878和马修斯相关系数0.9741。基于置信度的升级实验表明，在预设0.95置信度操作点下，90.32%的样本在全特征分析前得到解决，将使用的分类器模型输入数量从9个减少到3.50个，同时保持F1分数为0.9785。这些发现表明，所提出的框架为面向部署的Android恶意软件筛查提供了一种增量模型输入预算方法，同时保留了对不确定样本的全面分析。
Keyword:
android malware detection
behavior score
budgeted feature acquisition
cost-aware classification
early-warning screening
false positive rate analysis
lightweight static analysis
malware classification
resource-constrained inference
staged detection
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
A Method for Automatic Android Malware Detection Based on Static Analysis and Deep Learning基于静态分析和深度学习的Android恶意软件自动检测方法.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
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COMPUTERS & SECURITY
OAAI
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FAMD: A Fast Multifeature Android Malware Detection Framework, Design, and ImplementationFAMD: 一种快速的多功能Android恶意软件检测框架、设计与实现IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏LLM-MalDetect: A Large Language Model-Based Method for Android Malware DetectionLLM-MalDetect: 一种基于大型语言模型的安卓恶意软件检测方法IEEE Access
IEEE AccessIF0
PREAI
分享收藏Detecting Advanced Persistent Threat Exfiltration With Ensemble Deep Learning Tree Models and Novel Detection Metrics使用集成深度学习树模型和新颖检测指标检测高级持续性威胁外泄IEEE Access
IEEE AccessIF0
PREAI
分享收藏
查看更多内容