基于深度学习的Android恶意软件检测技术研究

发布时间：2024-12-10 21:37

　　Android操作系统是一种基于Linux的智能移动设备操作系统,具有完全的开源性,市场占有率高,加之Android应用市场复杂多样,近些年来Android恶意软件的数量快速增长。并且由于混淆技术在恶意软件中的广泛使用,传统的检测方法对于混淆恶意软件的检测效果不佳。本文提出了一种基于深度学习的Android恶意软件检测模型,通过自动化提取Android应用软件的特征,使用深度学习模型对Android恶意软件进行检测,提高了Android恶意软件检测的准确率。本文的主要工作如下:(1)构建了抗混淆能力强的Android应用软件特征集。本文研究了Android系统的安全框架、传统恶意软件检测技术和恶意软件常用的混淆技术,发现传统静态特征集的抗混淆能力弱,因此在传统静态特征集的基础之上,增加新的抗混淆能力强的静态特征,并提取应用软件运行时的动态特征,作为静态特征集的补充,全方位丰富了Android应用软件特征集。(2)提出了基于深度置信网络和门控循环单元混合的深度学习模型。本文分析了深度学习算法用于Android恶意软件的可行性,并针对静态特征和动态特征的不同特性,采用深度置信网络和门控循环单...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图1-22012-2016年Android智能平台新增恶意软件家族数

，手机上网比例持续提升，现已达到９６．３％。在我国手机已经成为人们日常生活的??必备品，而Ａｎｄｒｏｉｄ系统作为智能手机市场中占有率最高的操作系统，也被各种??不法分子紧盯。??自从２０１０年８月卡巴斯基首次发现Ａｎｄｒｏｉｄ平台短信特洛伊木马程序以来，??Ａｎｄｒｏｉｄ平台的恶....

图1-3Android平台新增恶意程序类型分布

由于恶意行为难以发现，Ａｎｄｒｏｉｄ恶意软件可能在三个月内被忽视［６］。由于??大多数反病毒检测能力依赖于更新的恶意软件签名库的存在，因此一旦遇到新的??恶意软件传播，用户就处于危险之中。反病毒供应商的响应时间一般在几个小时??到几十小时不等，而从识别恶意软件，生成签名，再到更新....

图２－４深度信念网络??ＤＢＮ在训练模型的过程中主要分为两步

深度信念网络ＤＢＮ。ＤＢＮ模型是一个概率生成模型，与传统的判别模型的神经??网络相对，用于建立一个观察数据和标签之间的联合分布。经典的ＤＢＮ网络结??构是由若干层ＲＢＭ和一层ＢＰ组成的一种深层神经网络，如图２－４所示。??〇〇）????＿?ＤＯ）??Ｃ〇ＱＣＸ３ＱＱ＞－?（〇〇〇....

图6一1季统主界面

?北京邮电大学工程硕士学位论文???６．２基本功能测试??基本功能测试的目标是对测试系统的功能完备性检测和用户交互检测。在本??测试中，在服务器终端输入ｐｙｔｈｏｎ?ｍａｎａｇｅ．ｐｙ?ｒｕｎｓｅｒｖｅｒ?８０００，即可进入系统首页，??如图６－１所示，在该界面直接点击“上传”，....

本文编号：4015696