.png){kind=icon}
返回
Explainable Ensemble Learning for Robust Android Malware Detection
.png){kind=icon}
PRE
AI
DOI：10.1002/spy2.70206.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究关注的主要网络安全威胁源于安卓恶意软件，其通过利用权限滥用、意图过滤器及代码混淆技术绕过基于指纹的传统防御机制。为应对此挑战，本文提出了一种基于集成学习的可解释且合理的恶意软件检测框架。采用五个机器学习分类器——逻辑回归、随机森林、梯度提升、XGBoost和神经网络——通过三个安卓恶意软件数据集（即CHIMERA、Mendeley和NaticusDroid）进行评估。所提方法采用严格的预处理管道、混合交互式特征选择与剔除策略、五折交叉验证及超参数优化。实验结果表明，集成模型尤其是XGBoost和随机森林，在有限或噪声数据集（如Mendeley和NaticusDroid）上仍可实现超过97%的预测精度。使用SHAP的可解释性分析显示，关键安卓权限（包括READ_PHONE_STATE、SEND_SMS和RECEIVE_BOOT_COMPLETED）对模型决策具有显著影响，并与数据外泄、持久化等现实恶意行为密切相关。重复样本过滤提高了计算效率并略微缓解过拟合，而对抗性评估为模型对抗规避攻击的鲁棒性提供了见解。总体而言，研究发现集成学习与可解释AI相结合可生成既高度准确又透明的恶意软件检测模型，为可解释且对抗性鲁棒的安卓恶意软件检测提供了实用基础。未来工作将聚焦于实际部署。
Keyword:
android malware detection
CHIMERA
cybersecurity
hybrid feature selection
machine learning
NaticusDroid and Mendeley datasets
SHAP
XGBoost
期刊
S
IF:
2.1
论文数:
126
被引数:
732
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏Hybrid Android Malware Detection: A Review of Heuristic-Based Approach混合Android恶意软件检测: 基于启发式的方法综述IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏GSEDroid: GNN-based Android malware detection framework using lightweight semantic embeddingGSEDroid: 基于GNN的Android恶意软件检测框架，使用轻量级语义嵌入COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Robust machine learning based Intrusion detection system using simple statistical techniques in feature selectionSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容