基于深度学习的Android恶意软件多层检测系统

发布时间：2023-04-01 09:12

　　安卓操作系统自问世起,在过去的十多年里迅猛发展并一跃成为全球第一大操作系统。其迅速占领智能移动设备市场的突出成绩,不可避免地引起了广大恶意软件制作者和相关领域研究人员的高度重视。安卓操作系统允许用户从各种渠道而非唯一的应用市场下载并安装软件,这给恶意软件制作者提供了极大的便利,可以将各种形式的恶意软件通过第三方应用商店传播出去进而危害用户的智能移动设备。针对安卓操作系统的恶意软件数量在过去几年间呈现爆发式的增长,尽管恶意软件检测技术不断进步,但各种恶意软件造成危害的案例层出不穷,对安卓操作系统用户的隐私和财产安全造成了极大威胁。因此,对安卓操作系统上的应用软件进行精确有效的检测,筛除恶意软件,进而维护安卓应用市场的软件质量以及用户的信息安全,变得非常紧迫而且具有非常重要的意义。现有的恶意软件检测技术中多采用静态分析、动态分析以及机器学习算法进行恶意软件检测和分类,其中静态和动态分析方法误报率高,传统的机器学习算法检测的准确率严重依赖研究人员对于海量特征的手动选择,无法应对当前大数据的趋势。针对以上存在的这些问题,本文提出了基于多模态深度神经网络(Multimodal Deep Neru...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 静态分析
        1.2.2 动态分析
        1.2.3 结合机器学习的混合方式
    1.3 现有方案的不足
    1.4 本文主要研究内容和工作
    1.5 本文结构安排
第二章 背景知识和相关技术
    2.1 安卓操作系统体系结构
    2.2 安卓恶意软件
        2.2.1 恶意软件定义和分类
        2.2.2 恶意软件常用技术
    2.3 恶意软件检测分析技术
        2.3.1 静态分析
        2.3.2 动态分析
        2.3.3 深度学习及多模态
    2.4 本章小结
第三章 基于多模态深度神经网络的安卓恶意软件多层检测系统
    3.1 系统设计目标
    3.2 系统整体方案设计
    3.3 多层检测系统方案实现
        3.3.1 原始数据获取层
        3.3.2 特征提取层
        3.3.3 特征向量生成层
        3.3.4 多模态恶意软件检测层
    3.4 本章小结
第四章 实验及结果分析
    4.1 数据集
    4.2 实验环境
    4.3 评价指标
    4.4 系统参数
    4.5 实验检测
        4.5.1 MDNNDroid三种方案对比实验
        4.5.2 MDNNDroid与 DroidDeep对比实验
        4.5.3 MDNNDroid与 DNN更新时间对比实验
        4.5.4 0-Day恶意软件检测实验
    4.6 本章小结
第五章 全文总结与展望
    5.1 主要工作总结
    5.2 后续工作展望
致谢
参考文献



本文编号：3776867