基于深度学习的Android恶意应用分类及其关键技术研究
发布时间：2022-01-17 08:38
由于移动应用程序的激增、分发渠道的多极化、安全攻击方法的多样化,Android恶意应用的检测与分类研究面临极大挑战。与此同时,人工智能和机器学习方法的兴起,不断延伸出新的技术和算法来分析和检测恶意应用。有别于传统的基于特征序列的检测方法,深度学习模型能够更好地挖掘恶意特征和行为,从而更有效率地分析与检测恶意应用。本文即围绕Android恶意应用的分类与检测问题,开展基于深度学习的方法研究及其关键技术,主要工作包括:（1）基于词向量的语义文本建模方法,结合Android恶意应用的特点和恶意行为执行流程,提出了基于word2vec的特征向量化表示方法。具体而言,在恶意特征提取阶段,从应用描述和代码行为两个维度自动抽取程序的组件信息、权限及敏感API调用;在向量化表示阶段,采用word2vec构建恶意应用向量模型,将文本特征抽象成高维实数向量,以表征恶意应用特征间的相似性与关联性。经实验证明,该方法可以更好地表征恶意应用。（2）分析深度学习模型在恶意应用检测中的应用,设计并实现了基于深度神经网络的Android恶意分类模型OP-DBN。针对深度学习模型构建的复杂度高、耗时大等关键问题,提出特...
【文章来源】：浙江工业大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
不同样本数目的ROC图
由于抽取的特征中有极其一部分为敏感 API 和字符串，中提取，属于有序的特征。利用 word2vec 模型可以学习到上下而进行较好的表达，有利于进一步分分类检测工作。表 4-1 词向量和 one-hot 不同的向量化方式在模型中的结果比较 4-1. Comparisons of word embeddings and one-hot in classification mod恶意应用(%) 非恶意应用(%)PrecisPrecision Recall F1 Precision Recall F197.34 97.17 97.25 97.24 97.41 97.32 9799.10 99.40 99.25 99.40 99.30 99.35 9993.50 96.80 95.10 96.70 93.40 95.00 9597.60 95.30 96.44 97.80 98.30 98.05 9794.20 98.70 96.40 98.60 94.10 96.30 96 98.80 97.30 98.04 98.50 98.30 98.40 9889.90 94.90 92.30 94.70 89.60 92.10 9298.20 97.30 97.75 99.10 98.30 98.70 98
前10的权限特征
【参考文献】：
期刊论文
[1]一种使用静态分析和遗传搜索在Android恶意软件检测中搜索最优特征的方法（英文）[J]. Ahmad FIRDAUS,Nor Badrul ANUAR,Ahmad KARIM,Mohd Faizal Ab RAZAK. Frontiers of Information Technology & Electronic Engineering. 2018(06)
[2]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[3]Maldetect:基于Dalvik指令抽象的Android恶意代码检测系统[J]. 陈铁明,杨益敏,陈波. 计算机研究与发展. 2016(10)
[4]Android移动恶意代码检测的研究概述与展望[J]. 蔡林,陈铁明. 信息网络安全. 2016(09)
[5]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue. Tsinghua Science and Technology. 2016(01)
[6]Android安全研究进展[J]. 卿斯汉. 软件学报. 2016(01)
[7]Android安全综述[J]. 张玉清,王凯,杨欢,方喆君,王志强,曹琛. 计算机研究与发展. 2014(07)
[8]基于多类特征的Android应用恶意行为检测系统[J]. 杨欢,张玉清,胡予濮,刘奇旭. 计算机学报. 2014(01)
本文编号：3594416
【文章来源】：浙江工业大学浙江省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
不同样本数目的ROC图
由于抽取的特征中有极其一部分为敏感 API 和字符串，中提取，属于有序的特征。利用 word2vec 模型可以学习到上下而进行较好的表达，有利于进一步分分类检测工作。表 4-1 词向量和 one-hot 不同的向量化方式在模型中的结果比较 4-1. Comparisons of word embeddings and one-hot in classification mod恶意应用(%) 非恶意应用(%)PrecisPrecision Recall F1 Precision Recall F197.34 97.17 97.25 97.24 97.41 97.32 9799.10 99.40 99.25 99.40 99.30 99.35 9993.50 96.80 95.10 96.70 93.40 95.00 9597.60 95.30 96.44 97.80 98.30 98.05 9794.20 98.70 96.40 98.60 94.10 96.30 96 98.80 97.30 98.04 98.50 98.30 98.40 9889.90 94.90 92.30 94.70 89.60 92.10 9298.20 97.30 97.75 99.10 98.30 98.70 98
前10的权限特征
【参考文献】：
期刊论文
[1]一种使用静态分析和遗传搜索在Android恶意软件检测中搜索最优特征的方法（英文）[J]. Ahmad FIRDAUS,Nor Badrul ANUAR,Ahmad KARIM,Mohd Faizal Ab RAZAK. Frontiers of Information Technology & Electronic Engineering. 2018(06)
[2]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[3]Maldetect:基于Dalvik指令抽象的Android恶意代码检测系统[J]. 陈铁明,杨益敏,陈波. 计算机研究与发展. 2016(10)
[4]Android移动恶意代码检测的研究概述与展望[J]. 蔡林,陈铁明. 信息网络安全. 2016(09)
[5]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue. Tsinghua Science and Technology. 2016(01)
[6]Android安全研究进展[J]. 卿斯汉. 软件学报. 2016(01)
[7]Android安全综述[J]. 张玉清,王凯,杨欢,方喆君,王志强,曹琛. 计算机研究与发展. 2014(07)
[8]基于多类特征的Android应用恶意行为检测系统[J]. 杨欢,张玉清,胡予濮,刘奇旭. 计算机学报. 2014(01)
本文编号：3594416
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3594416.html
