GHR-Optimizer: An ensemble-based feature selection approach for classifying android malware

Parnika Bhat

doi:10.1016/j.jisa.2025.104165

GHR-Optimizer: An ensemble-based feature selection approach for classifying android malware

2025-07-25

0

PRE

AI

DOI：10.1016/j.jisa.2025.104165

原文链接

原文求助

摘要

En 中文

本研究深入探讨了用于提升Android恶意软件分类的先进特征选择方法。GHR-Optimizer被引入为一种创新的特征选择方法，结合了灰狼优化（Grey Wolf Optimization）、爬山法（Hill Climbing）和随机森林分类器（Random Forest Classifier）方法。该方法从混合数据集中选择特征，并在机器学习、深度学习和集成框架中进行评估。进行了一项详细的比较分析，将GHR-Optimizer与静态和动态特征集以及传统的过滤器和基于包装的方法进行对比。GHR方法的实现展示了优越的性能，特别是在使用KronoDroid等多样化数据集进行评估时，达到了卓越的分类精度和平衡的指标。当与随机森林分类器集成时，GHR-Optimizer的准确率达到98.40%。这些发现强调了GHR-Optimizer在提升分类精度和鲁棒性方面的优越性能，突显了其在领域内推进特征选择策略中的关键作用。

Keyword:

feature selection

Grey Wolf Optimization

Random Forest

Android malware classification

GHR-Optimizer

GHR-Optimizer: An ensemble-based feature selection approach for classifying android malware

摘要

期刊

机构

引用论文