基于机器学习的Android恶意软件检测研究

发布时间：2021-02-09 23:27

　　随着移动互联网的不断发展,智能手机已经成为人们日常生活中的必需品,智能手机市场中,基于Android操作系统的手机占据了大部分的市场份额。Android系统由于其开放性的特点,成为了众多恶意软件滋生的平台,近几年Android恶意软件的数量正以惊人的速度增长。因此,如何对Android恶意软件进行有效检测成为了一个重要课题。目前大多数安全软件所使用的Android恶意软件检测方法为基于特征码的检测,这种方法的好处是能迅速准确地检测出已知恶意软件,但无法检测未知恶意软件。近年来,使用机器学习方法对未知Android恶意软件检测成为研究热点,这种方法的检测结果易受数据集、检测算法等因素的影响,而且系统开销较大。因此,如何设计检测方案,如何获取对数据集进行优化成为了机器学习检测方法设计的重点。本文首先介绍了课题背景以及相关研究,在深入研究了Android系统及其安全机制基础上,综合考虑了传统Android恶意软件检测方法的优势和不足,设计了一个基于多重特征的Android恶意软件检测方案,实验证明,该方案对于本文中所用的数据集具有较高的检测率。更进一步,为了让目前的Android恶意软件检测... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

图1-1Android平台恶意软件类型分布

图 2-4 Spark 框架中的组件Fig.2-4 Components in Spark Framwork：该组件为Spark框架中的图形处理框架，该框架拓展了弹了图的建立、挖掘计算、访问路径节点等功能。GraphX组和Graph视图，这两种视图都有独占的操作处理方式，从而效的结合。：MLlib 是 Spark 框架中的机器学习算法库，目标是简化机方便进行拓展。MLlib 包含了许多例如分类、回归预测等机这些算法均建立在弹性分布式数据集的基础上，因此对于率出众。该库中包括了一些底层的优化原语及高层的 API。布式架构的开源库中计算效率有着较大的优势。Streaming：该组件的主要作用是在系统通过从多条路径获取定地完成数据流的处理，该组件拓展自Spark中的关键API组件能够实现一些例如映射(map)、聚合(join)及规约(redu据。最后把处理结果存储到文件系统和数据库中。

Spark集群[34]

【参考文献】：
期刊论文
[1]结合资源特征的Android恶意应用检测方法[J]. 刘楚舒,王伟平,刘鹏飞.  计算机工程与应用. 2018(15)
[2]基于有向信息流的Android隐私泄露类恶意应用检测方法[J]. 吴敬征,武延军,武志飞,杨牧天,罗天悦,王永吉.  中国科学院大学学报. 2015(06)
[3]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)
[4]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)



本文编号：3026401