.png){kind=icon}
返回
Malware detection framework based on graph variational autoencoder extracted embeddings from API-call graphs
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.988.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
恶意软件会损害信息的保密性和完整性，从而对机构或个人造成物质和精神损害。提出了一种基于API调用图的恶意软件检测模型，并使用图变分自动编码器 (GVAE) 来减小从Android apk文件中提取的图节点特征的大小。GVAE减少的嵌入被馈送到基于线性 (SVM) 和基于集成 (LightGBM) 的模型，以完成恶意软件检测过程。为了验证GVAE缩减特征的有效性，应用递归特征消除 (RFE) 和Fisher评分 (FS) 来选择与GVAE缩减嵌入具有相同大小的信息特征集。RFE和FS选择的结果表明，LightGBM和RFE选择的50个功能实现了最高的准确性 (0.907) 和F度量 (0.852) 率。当我们在分类中使用GVAE-减少嵌入时，两个模型的准确率大约增加了 % 4。F测量率也出现了相同的性能提高，这直接表明模型的辨别力有所提高。最后进行的实验结合了RFE选择和GVAE的优势，与仅减少GVAE的嵌入相比，性能有所提高。借助从所有GVAE嵌入组合中选择的30个相关特征，RFE选择在LightGBM中实现了0.967的准确率。
Keyword:
Malware detection
Recursive Feature Elimination
Graph Variational Autoencoder
Graph embeddings
API-call graphs
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
Forecasting directional movement of Forex data using LSTM with technical and macroeconomic indicators使用LSTM与技术和宏观经济指标预测外汇数据的定向运动.png)
FINANCIAL INNOVATIONOAAI
FINANCIAL INNOVATIONIF7.2
OAAI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IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products基于随机森林的递归特征消除，用于农工产品的ptr-ms分析
PREAI
分享收藏GDroid: Android malware detection and classification with graph convolutional networkGDroid: 使用图卷积网络进行Android恶意软件检测和分类COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏
查看更多内容