.png){kind=icon}
返回
Effective ML-Based Android Malware Detection and Categorization
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14081486.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件的快速传播给数字安全带来了重大挑战，需要开发先进的恶意软件检测和分类技术。本研究采用结合特征工程的分步机器学习（ML）框架，对Android恶意软件的检测和分类进行了研究。所提出的框架首先执行二分类以检测恶意软件，然后应用多分类将恶意软件分为广告软件、银行木马、短信木马和风险软件等类型。采用了卡方检验和select-from-model（SFM）等特征选择技术来降低维度并提升模型性能。评估了多种机器学习分类器，所提出的模型在恶意软件检测方面达到了97.82%的卓越准确率，在恶意软件分类方面达到了96.09%。所提出的框架优于现有方法，证明了特征工程和随机森林（RF）模型在解决计算效率问题上的有效性。本研究为Android恶意软件检测贡献了一个稳健且可解释的框架，该框架资源高效，适用于实际应用。它还提供了一种可扩展的方法，使从业者能够部署高效的恶意软件检测系统。未来的工作将专注于实时实现和自适应方法，以应对不断演变的恶意软件威胁。
Keyword:
malware detection
malware categorization
malware classification
cybersecurity
mobile application
mobile security
machine learning
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Detecting Malware C&C Communication Traffic Using Artificial Intelligence Techniques使用人工智能技术检测恶意软件C&C通信流量OAAI
OAAI分享收藏分享收藏Android Malware Detection Based on Behavioral-Level Features with Graph Convolutional Networks.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏A Closer Look at Machine Learning Effectiveness in Android Malware Detection更深入地探讨机器学习在Android恶意软件检测中的有效性InformationOAAI
InformationIF0
OAAI分享收藏
查看更多内容