.png){kind=icon}
返回
Enhanced android adware detection using optimized catboost and sparse autoencoder
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06018-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为主流移动操作系统，Android的开源框架和广泛的定制化能力使其易受不断演变的恶意软件威胁，这些威胁由于高级规避技术（如代码混淆和多态行为）的存在，难以通过传统的静态和动态分析技术检测。尽管机器学习（ML）和深度学习（DL）提升了检测精度，但它们仍面临高维特征空间、数据不平衡和计算复杂度等挑战。为应对这些障碍，我们提出了一种综合性的Android广告软件检测框架，该框架利用稀疏自编码器（SAE）进行特征学习，并采用贝叶斯超参数调优优化的CatBoost分类器。SAE在最小化特征冗余的同时保留重要行为特征，而CatBoost则高效处理分类特征和类别不平衡问题。在CIC-AAGM数据集上的实验结果实现了96.23%的二分类准确率和95.55%的多分类准确率，优于XGBM和LGBM等基准模型。在CICAndMal2017数据集上的进一步评估验证了所提混合模型的可泛化能力，达到99.24%的准确率和99.14%的F1分数，优于卷积神经网络（CNN）及CNN与长短期记忆网络（LSTM）结合的深度学习架构。与基于变分自编码器（VAE）的模型及消融研究的比较分析表明，基于SAE的方法具有更高的效率和判别能力。总体而言，所提框架为Android广告软件检测提供了准确、高效且可泛化的解决方案，有助于构建更具韧性和自适应性的移动网络安全系统。
Keyword:
Android adware detection
Sparse autoencoder
CatBoost
Machine learning
Feature learning
Bayesian optimization
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
Performance analysis of classification algorithms on early detection of liver disease分类算法在肝病早期检测中的性能分析
PREAI
分享收藏The Age of Ransomware: A Survey on the Evolution, Taxonomy, and Research Directions.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Detection of Android Malware Based on Deep Forest and Feature Enhancement基于深度森林和特征增强的Android恶意软件检测IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A lightweight deep learning-based android malware detection framework一种轻量级的基于深度学习的android恶意软件检测框架
PREAI
分享收藏Machine Learning for Android Malware Detection: Mission Accomplished? A Comprehensive Review of Open Challenges and Future PerspectivesCOMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏MaMaDroid: Detecting Android Malware by Building Markov Chains of Behavioral Models (Extended Version)MaMaDroid: 通过构建行为模型的马尔可夫链来检测Android恶意软件 (扩展版本)
PREAI
分享收藏
查看更多内容