基于机器学习的Android恶意软件检测方法研究

发布时间：2022-01-07 13:55

　　随着科技的迅猛发展和互联网技术的不断更新,智能手机的使用领域变得越发广泛。以Android为操作系统的智能手机因低廉的价格和较好的使用体验受到了广大用户者的关注,然而Android平台的开放性也变成了不少恶意软件开发者的突破口。用户下载含有恶意代码的软件,就可能存在隐私被盗取、莫名扣费等危险。因而,如何高效精准的检测出Android恶意软件是当前学术界的研究热点。本文从多方面深入研究了Android系统架构以及安全机制,在分析了国内外的研究现状的基础上,主要取得了如下研究成果:（1）传统的朴素贝叶斯分类算法将每个属性设置相同的权重值使得该算法理论上具有较小的误差率,但实际中每个权重值不应相同。对此本文提出了对特征属性增加权重系数的改进方案,并基于该改进算法设计了一种检测Android恶意软件检测的模型。该模型将应用程序申请的权限作为特征集并通过差异度的大小选取对分类结果影响较大的特征,采用改良的朴素贝叶斯算法进行分类判定。实验表明该方案对恶意软件检测准确率有明显的提升。（2）由于不同的分类算法对每种类型的特征集的分类效果不同,本文提出了一种基于多算法融合决策的Android恶意软件检测... 

【文章来源】：暨南大学广东省 211工程院校

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

017年中国手机安全状况报告2017年5月，腾讯在其手机安全报告中指出2017年第一季度手机病毒类型以流氓行

017年第一季度手机病毒类型比例2017年9月27日，全球领先的新经济行业数据挖掘和分析机构iiMediaResearch(艾媒

暨南大学硕士学位论文第二章 Android 平台相关理论知识droid 系统架构ndroid 系统是以 Linux 为内核的操作系统，采用分层服务的架构思想[18]。自 Linux 内核层（Linux Kernel）、系统运行库层（Libraries 和 Android runtim框架层（Application Framework）以及应用程序层（Application）共四层，如图

【参考文献】：
期刊论文
[1]Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J]. Zhenlong Yuan,Yongqiang Lu,Yibo Xue.  Tsinghua Science and Technology. 2016(01)
[2]基于多级签名匹配算法的Android恶意应用检测[J]. 秦中元,王志远,吴伏宝,吴颖真,游雁天,徐倩怡.  计算机应用研究. 2016(03)
[3]基于朴素贝叶斯的Android软件恶意行为智能识别[J]. 张怡婷,张扬,张涛,杨明,罗军舟.  东南大学学报(自然科学版). 2015(02)
[4]基于权限相关性的Android恶意软件检测[J]. 张锐,杨吉云.  计算机应用. 2014(05)
[5]基于权限频繁模式挖掘算法的Android恶意应用检测方法[J]. 杨欢,张玉清,胡予濮,刘奇旭.  通信学报. 2013(S1)
[6]一种针对Android平台恶意代码的检测方法及系统实现[J]. 胡文君,赵双,陶敬,马小博,陈亮.  西安交通大学学报. 2013(10)

硕士论文
[1]Android恶意应用的静态检测方法研究[D]. 刘新宇.暨南大学 2017
[2]基于KNN算法的Android应用异常检测技术研究[D]. 刘晓明.北京交通大学 2016
[3]Android应用风险评估系统的设计与实现[D]. 魏娟.电子科技大学 2015
[4]基于Android及Java Web平台的个人健康信息管理系统[D]. 张永瑞.西安电子科技大学 2014
[5]iPhone应用移植到Android平台的研究[D]. 宋雨明.浙江大学 2013



本文编号：3574669