.png){kind=icon}
返回
EnFeSTDroid: Ensembled feature selection techniques based Android malware detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compeleceng.2025.110763.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自2008年以来，Android智能手机获得了广泛普及，使其成为恶意软件的常见目标。为应对这些威胁，研究人员已开发出多种检测模型。现有的大部分技术要么采用单一特征选择方法，要么仅结合极少数几种选择方法，这可能导致忽略其他重要特征。本研究提出了一种新颖方法，首先从应用程序中提取权限，然后应用六种不同的特征选择技术，即信息增益（Information Gain）、额外树分类器（Extra Tree Classifier）、卡方检验（Chi-Square）、平均词频（Mean Term Frequency, MTF）、逆文档频率（Inverse Document Frequency, IDF）以及平均词频–逆文档频率（Mean Term Frequency–Inverse Document Frequency, MTF–IDF），对权限按从最到最不显著进行排序。此外，该方法应用Friedman检验和事后Nemenyi检验来合并排序结果，以识别用于恶意软件分类的最相关和最具区分性的特征。结果表明，所提出的模型能够准确分类96.27%的样本。本研究具有新颖性和重要意义，因为我们结合了六种特征选择技术，使模型能够利用所有方法的优点，而非依赖单一或少数几种技术。所提出的工作在性能上也优于文献中的其他若干现有研究。
Keyword:
Android malware
Permissions
Friedman’s test
Feature selection techniques
Ensembled learning
Machine learning and deep learning models
期刊
C
IF:
4.9
论文数:
6.7K
被引数:
1.3W
机构
引用论文
Permissions-Based Detection of Android Malware Using Machine Learning基于权限的机器学习Android恶意软件检测.png)
Symmetry
OAAI
SymmetryIF0
OAAI分享收藏
分享收藏I. Khan, Y.-W. Kwon, A structural-semantic approach integrating graph-based and large language models representation to detect android malware, in: IFIP International Conference on ICT Systems Security and Privacy Protection, Springer, 2024, pp. 279–293.I. Khan, Y.-W. Kwon, 一种集成基于图和大型语言模型表示的结构-语义方法以检测Android恶意软件，载：IFIP国际ICT系统安全与隐私保护会议，Springer, 2024, 第279-293页。
IF0
PREAI
分享收藏D. Ö. Şahin, O. E. Kural, S. Akleylek, E. Kılıç, A novel permission-based android malware detection system using feature selection based on linear regression, Neural Computing and Applications (2023) 1–16.D. Ö. Şahin, O. E. Kural, S. Akleylek, E. Kılıç, 基于线性回归的特征选择的新型基于权限的Android恶意软件检测系统，Neural Computing and Applications (2023) 1–16.
IF0
PREAI
分享收藏Android Malware Detection Using Support Vector Regression for Dynamic Feature Analysis基于支持向量回归的动态特征分析的Android恶意软件检测InformationOAAI
InformationIF0
OAAI分享收藏分享收藏
查看更多内容