.png){kind=icon}
返回
Enhanced android malware classification using multi machine learning models and generative adversarial network
.png){kind=icon}
PRE
AI
DOI：10.1007/s00521-026-12154-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能手机的普及，Android恶意软件正日益成为用户严重的安全威胁。机器学习模型在Android恶意软件分类中的应用已在相关研究中得到广泛应用。然而，机器学习模型的性能优于利用生成对抗网络（GANs）的技术。本研究不仅实验了从传统方法到先进方法（包括随机森林（RF）、深度神经网络（DNN）、极端随机树（ET）、LightGBM和卷积神经网络（CNN））的机器学习算法在Android恶意软件分类技术中的应用，还采用了对抗训练的辅助分类生成对抗网络（AC-GAN）来分析其在Android恶意软件分类中的有效性。研究使用了Drebin和CIC-MalDroid2020数据集进行实验。研究结果获得了高精度，AC-GAN在Drebin数据集上达到了99.73%的最高精度，LightGBM在CIC-MalDroid2020数据集上达到了98.69%的最高精度。这些结果与近期研究相比表现出竞争力，且误报率低。本研究的发现可为未来相关研究提供参考。
Keyword:
Android Malware
Generative Adversarial Networks
Malware Detection
Machine Learning
Deep Neural Network
期刊
IF:
4.5
论文数:
952
被引数:
3.2W
机构
引用论文
MUDROID: Android malware detection and classification based on permission and behavior for autonomous vehiclesMudroid：基于权限和行为检测与分类自动驾驶车辆安卓恶意软件
PREAI
分享收藏
A Review of Android Malware Detection Approaches Based on Machine Learning基于机器学习的Android恶意软件检测方法综述.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容