.png){kind=icon}
返回
Machine Learning-Driven Security for Malware Detection in Wireless Android Devices
.png){kind=icon}
PRE
AI
DOI：10.1002/itl2.70221.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
安卓恶意软件的持续增长促使了先进检测技术的发展，以保护用户和设备。本研究提出了一种基于API调用和权限的机器学习方法，用于区分恶意和无害应用程序。主要目的是通过在终端用户下载前提供一种易于理解的潜在危险应用检测方法，来提升安卓安全性。从Androzoo安卓应用集合中收集了11 000个应用程序（良性及恶意）的数据集。从提取的API调用和权限构建的二进制数据集具有高维性和稀疏性，因此采用了一种混合特征选择流程来过滤冗余、无关和低影响特征，同时保留差异标志。所提出的方法通过区分安全与风险应用提供了可扩展的风险评估解决方案，并取得了良好的结果。实验结果表明，结合权限和API调用实现了98.36%的分类准确率，显著高于仅使用权限或API调用单独检测的效果。
Keyword:
android security
API calls
machine learning
malicious apps
mobile devices
permissions
static analysis
期刊
I
IF:
0.5
论文数:
182
被引数:
423
机构
引用论文
A multi-tiered feature selection model for android malware detection based on Feature discrimination and Information Gain一种基于特征判别和信息增益的Android恶意软件检测的多层特征选择模型
OAAI
OAAI分享收藏分享收藏A Survey on Android Malware Detection Techniques Using Supervised Machine Learning基于监督式机器学习的Android恶意软件检测技术综述.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容