.png){kind=icon}
返回
Multimodal information fusion for android malware detection using lazy learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s11042-021-10749-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Android拥有大量的用户，日新月异。通过提供优质服务，Android生态系统的安全性是这些用户的主要关注点。本文介绍了恶意软件应用程序的多模态分析。我们利用应用程序的静态，动态和视觉功能来预测使用信息融合的恶意应用程序。拟议的研究应用基于案例的推理; 用于催化具有丰富特征集的知名数据集的训练和验证过程。我们提出的半监督技术使用良性和恶意应用程序来预测和分类恶意软件。预测过程使用恶意软件的混合分析。由于CBR的高效和自适应特性，所提出的方法优于流行的方法。我们的方法具有95% 的准确性，降低的假阴性率和更好的精度度量，这击败了最先进的技术。
Keyword:
Multimodal fusion
Malware detection
Lazy learning
Case-based reasoning
Android security
期刊
IF:
3
论文数:
2.0W
被引数:
3.2W
机构
暂无机构信息
引用论文
Breast Cancer Mammography Classification Using Convolutional Neural Networks and WOA-MPA Optimization基于卷积神经网络和WOA-MPA优化的乳腺癌乳腺X光图像分类
OAAI
OAAI分享收藏FAMD: A Fast Multifeature Android Malware Detection Framework, Design, and ImplementationFAMD: 一种快速的多功能Android恶意软件检测框架、设计与实现.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容