CN109543406A - 一种基于XGBoost机器学习算法的Android恶意软件检测方法 - Google Patents
一种基于XGBoost机器学习算法的Android恶意软件检测方法 Download PDFInfo
- Publication number
- CN109543406A CN109543406A CN201811150736.1A CN201811150736A CN109543406A CN 109543406 A CN109543406 A CN 109543406A CN 201811150736 A CN201811150736 A CN 201811150736A CN 109543406 A CN109543406 A CN 109543406A
- Authority
- CN
- China
- Prior art keywords
- xgboost
- ant
- value
- algorithm
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Virology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及一种基于XGBoost机器学习算法的Android恶意软件检测方法,首先通过反编译apk文件提取Permission,Intent,Component和API call特征,并量化组成特征矩阵,利用蚁群算法的并行性和较强的鲁棒性,对XGBoost分类器参数进行寻优,以求得最优目标并得到XGBoost的最优参数组合。该发明提出的改进的XGBoost机器学习算法与传统的XGBoost算法相比,在Android恶意软件检测时具有更高的分类精度,提高了恶意软件检测的正确率,降低了由于检测错误而导致Android***遭受攻击的概率。
Description
技术领域
本发明涉及Android平台上恶意软件检测的技术领域,具体涉及一种基于XGBoost机器学习算法的Android恶意软件检测方法。
背景技术
Android***由Google公司在2007年11月5日正式发布,作为一款基于Linux内核的操作***,其开源、自由的特性,使得Android***以极快的速度成为市场占有量最大的智能移动设备操作***。然而,在其备受广大App开发者和用户欢迎的同时,也成为恶意攻击者的首选目标。Android恶意软件的快速增长己经对用户的安全和隐私构成严重威胁,恶意软件窃取用户的私人数据,导致财产损失,以及利用***漏洞获取更高的权限,实现更大的危害。随着移动支付产业的持续推进,互联网+概念火爆,移动支付迅速发展,手机支付病毒也是层出不穷,严重危害了用户财产安全。因此需要能快速有效地检测出恶意软件的方法。
目前针对Android恶意软件的检测方法主要有三种,静态检测方法、动态检测方法以及静态检测与动态检测相结合的方法。
其中,静态检测方法是在不运行Android应用程序的情况下,通过逆向工程对应用程序的安装包进行反编译,并提取相关特征,如权限信息、API调用、指令特征等信息,以此来表征程序在运行时可能进行的操作,从而辨别该应用程序是否是恶意软件。静态检测大多使用机器学习算法对提取出的特征信息进行分类检测。然而,该种静态检测方法的分类精度不高,恶意软件检测的正确率较低,增加了由于检测错误而导致Android***遭受攻击的概率。
发明内容
本发明的目的在于克服现有技术的不足,提供一种分类精度较高、恶意软件检测的正确率较高、大大降低由于检测错误而导致Android***遭受攻击的概率的基于XGBoost机器学习算法的Android恶意软件检测方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于XGBoost机器学习算法的Android恶意软件检测方法,通过反编译apk文件提取Permission,Intent,Component和API call特征,并量化组成特征矩阵,利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight,最后将优化后的XGBoost算法应用到Android恶意软件检测模型中。
进一步地,基于XGBoost机器学习算法的Android恶意软件检测方法的具体步骤如下:
S1:利用apktool将apk文件反编译得到AndroidManifest.xml和classes.dex;
S2:提取Permission、Intent、Component和API call特征;
S3:特征量化,输出值为one-hot向量,如果存在特征,则标记为1,否则将其标记为0;
S4:将所有的特征向量形成特征向量集合,采用特征选择算法对特征向量集合进行降维,选取最优的特征子集;
S5:利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight;
S6:将优化特征向量随机抽取10%作为测试集,剩余的90%作为训练集合输入到优化后的XGBoost集成学习框架中进行优化学习;
S7:从真正率、假正率、分类精度对分类结果进行评估,判断该基于蚁群算法优化的XGBoost算法用于生成Android恶意软件检测模型是否符合检测要求。
进一步地,利用蚁群优化算法对XGBoost集成学习框架进行参数优化的具体步骤如下:
A、设置XGBoost分类器参数的收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight的上下限,最大的迭代次数MaxIter,蚁群规模M,信息蒸发系数Rho;
B、初始化种群,即初始化shrinkage和min_child_weight,作为每一只蚂蚁的位置向量;
C、执行蚁群搜索;
D、进行XGBoost训练;
E、用XGBoost分类器计算每只蚂蚁的目标函数值和信息素值,寻找当前最优蚂蚁;
F、判断是否满足终止条件:如果迭代的次数大于MaxIter,则输出蚁群最优值以及对应的shrinkage和min_child_weight值,执行步骤G,否则迭代次数加1,执行步骤C;
G、更新信息素;
H、将输出的shrinkage和min_child_weight用于Android恶意软件的检测模型中。
进一步地,所述蚁群优化算法具体如下:
蚁群位置初始化:
假设XGBoost的分类准确率作为目标函数值
max{F(s1,w1),F(s2,w2),...,F(sm,wm)},记为max fitness=max{F(X)},X={x1,x2,...,xm},其中xi表示蚂蚁,利用混沌序列产生初始化的种群步骤如下:
1)产生一个D维的随机向量:
2)Logistics映射,使用上式作为初始迭代,Logistics映射方程如下:
式中,m=1,i=1,2,...,N,d=1,2,..,D;
3)将混沌空间映射到优化变量的搜索空间:
式中,maxd为取上限值,mind为取下限值;
蚂蚁移动规则:
蚁群初始化后,计算其目标函数,为第k迭代第j个蚂蚁的位置向量,定义,目标函数越大,其位置信息素浓度越大,则保存当前目标值最大的蚂蚁为以及其信息素最大值
选择局部搜索或者全局搜索:
蚂蚁转移的概率定义如下:
式中,S为适应度函数的标准差,计算公式如下:
式中,m为蚂蚁个数,Fave为平均适应度值;
由上式可知,离越近,蚂蚁的转移概率就越大,其搜索的方法如下:
若P(xi)≤P0,其中,P0为常数,0<P0<1,则蚂蚁在附近局部位置搜索,移动公式如下:
式中为移动后的位置,为移动前的位置,a为移动步长,定义如下:
若P(xi)>P0,则蚂蚁在解空间搜索;
信息素更新:
根据个***置函数值的大小,更新信息素如下:
式中,ρ为信息蒸发系数。
与现有技术相比,本方案原理和优点如下:
相对于传统的XGBoost机器学习算法在Android恶意软件检测中因参数选取而影响XGBoost算法分类的表现性能,本方案应用蚁群算法对XGBoost的进行参数寻优,快速地找到最优参数,使得XGBoost算法具有良好得分类性能,应用到Android恶意软件检测模型中,使在Android恶意软件检测时具有更高的分类精度,大大提高恶意软件检测的正确率,从而降低由于检测错误而导致Android***遭受攻击的概率。
附图说明
图1为本发明一种基于XGBoost机器学习算法的Android恶意软件检测方法的检测流程图;
图2为本发明一种基于XGBoost机器学习算法的Android恶意软件检测方法中特征提取的流程图;
图3为本发明一种基于XGBoost机器学习算法的Android恶意软件检测方法中应用蚁群算法优化XGBoost参数的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
本实施例所述的一种基于XGBoost机器学习算法的Android恶意软件检测方法,具体内容如下:
XGBoost(eXtreme Gradient Boosting)由Tian Chen于2015年提出的一种集成学习算法,在XGBoost集成学习框架中,直接影响其分类性能的主要有参数的收缩步长(shrinkage)和子节点中最小样本权重阈值(min_child_weight)。过小的shrinkage会导致算法过拟合,较大的shrinkage导致算法无法收敛,对于min_child_weight,过小会导致算法过拟合,过大的mini_child_weight将会导致算法对线性不可分数据的分类性能。
因此,本实施例通过反编译apk文件提取Permission,Intent,Component和APIcall特征量化组成特征矩阵后,利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight,最后将优化后的XGBoost算法应用到Android恶意软件检测模型中。如图1所示,具体步骤如下:
S1:利用apktool将apk文件反编译得到AndroidManifest.xml和classes.dex;
S2:提取Permission、Intent、Component和API call特征,具体过程如图2所示;
S3:特征量化,输出值为one-hot向量,如果存在特征,则标记为1,否则将其标记为0;
S4:将所有的特征向量形成特征向量集合,采用特征选择算法对特征向量集合进行降维,选取最优的特征子集;
S5:利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight;
S6:将优化特征向量随机抽取10%作为测试集,剩余的90%作为训练集合输入到优化后的XGBoost集成学习框架中进行优化学习;
S7:从真正率、假正率、分类精度对分类结果进行评估,判断该基于蚁群算法优化的XGBoost算法用于生成Android恶意软件检测模型是否符合检测要求。
上述中,如图3所示,利用蚁群优化算法对XGBoost集成学习框架进行参数优化的具体步骤如下:
A、设置XGBoost分类器参数的收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight的上下限,最大的迭代次数MaxIter,蚁群规模M,信息蒸发系数Rho;
B、初始化种群,即初始化shrinkage和min_child_weight,作为每一只蚂蚁的位置向量;
C、执行蚁群搜索;
D、进行XGBoost训练;
E、用XGBoost分类器计算每只蚂蚁的目标函数值和信息素值,寻找当前最优蚂蚁;
F、判断是否满足终止条件:如果迭代的次数大于MaxIter,则输出蚁群最优值以及对应的shrinkage和min_child_weight值,执行步骤G,否则迭代次数加1,执行步骤C;
G、更新信息素;
H、将输出的shrinkage和min_child_weight用于Android恶意软件的检测模型中。
而具体的蚁群优化算法如下:
蚁群位置初始化:
假设XGBoost的分类准确率作为目标函数值
max{F(s1,w1),F(s2,w2),...,F(sm,wm)},记为max fitness=max{F(X)},X={x1,x2,...,xm},其中xi表示蚂蚁,利用混沌序列产生初始化的种群步骤如下:
1)产生一个D维的随机向量:
2)Logistics映射,使用上式作为初始迭代,Logistics映射方程如下:
式中,m=1,i=1,2,...,N,d=1,2,..,D;
3)将混沌空间映射到优化变量的搜索空间:
式中,maxd为取上限值,mind为取下限值;
蚂蚁移动规则:
蚁群初始化后,计算其目标函数,为第k迭代第j个蚂蚁的位置向量,定义,目标函数越大,其位置信息素浓度越大,则保存当前目标值最大的蚂蚁为以及其信息素最大值
选择局部搜索或者全局搜索:
蚂蚁转移的概率定义如下:
式中,S为适应度函数的标准差,计算公式如下:
式中,m为蚂蚁个数,Fave为平均适应度值;
由上式可知,离越近,蚂蚁的转移概率就越大,其搜索的方法如下:
若P(xi)≤P0,其中,P0为常数,0<P0<1,则蚂蚁在附近局部位置搜索,移动公式如下:
式中为移动后的位置,为移动前的位置,a为移动步长,定义如下:
若P(xi)>P0,则蚂蚁在解空间搜索;
信息素更新:
根据个***置函数值的大小,更新信息素如下:
式中,ρ为信息蒸发系数。
本实施例首先通过反编译apk文件提取Permission,Intent,Component和APIcall特征,并量化组成特征矩阵,利用蚁群算法的并行性和较强的鲁棒性,对XGBoost分类器参数进行寻优,以求得最优目标并得到XGBoost的最优参数组合。该实施例提出的改进的XGBoost机器学习算法与传统的XGBoost算法相比,在Android恶意软件检测时具有更高的分类精度,提高了恶意软件检测的正确率,降低了由于检测错误而导致Android***遭受攻击的概率。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种基于XGBoost机器学习算法的Android恶意软件检测方法,其特征在于,通过反编译apk文件提取Permission,Intent,Component和APIcall特征,并量化组成特征矩阵,利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight,最后将优化后的XGBoost算法应用到Android恶意软件检测模型中。
2.根据权利要求1所述的一种基于XGBoost机器学习算法的Android恶意软件检测方法,其特征在于,具体包括以下步骤:
S1:利用apktool将apk文件反编译得到AndroidManifest.xml和classes.dex;
S2:提取Permission、Intent、Component和APIcall特征;
S3:特征量化,输出值为one-hot向量,如果存在特征,则标记为1,否则将其标记为0;
S4:将所有的特征向量形成特征向量集合,采用特征选择算法对特征向量集合进行降维,选取最优的特征子集;
S5:利用蚁群优化算法对XGBoost集成学习框架进行参数优化,快速寻找到全局最优解,多次迭代后获取最优目标值并且得到XGBoost的最优参数组合收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight;
S6:将优化特征向量随机抽取10%作为测试集,剩余的90%作为训练集合输入到优化后的XGBoost集成学习框架中进行优化学习;
S7:从真正率、假正率、分类精度对分类结果进行评估,判断该基于蚁群算法优化的XGBoost算法用于生成Android恶意软件检测模型是否符合检测要求。
3.根据权利要求2所述的一种基于XGBoost机器学习算法的Android恶意软件检测方法,其特征在于,利用蚁群优化算法对XGBoost集成学习框架进行参数优化的具体步骤如下:
A、设置XGBoost分类器参数的收缩步长shrinkage和子节点中最小样本权重阈值min_child_weight的上下限,最大的迭代次数MaxIter,蚁群规模M,信息蒸发系数Rho;
B、初始化种群,即初始化shrinkage和min_child_weight,作为每一只蚂蚁的位置向量;
C、执行蚁群搜索;
D、进行XGBoost训练;
E、用XGBoost分类器计算每只蚂蚁的目标函数值和信息素值,寻找当前最优蚂蚁;
F、判断是否满足终止条件:如果迭代的次数大于MaxIter,则输出蚁群最优值以及对应的shrinkage和min_child_weight值,执行步骤G,否则迭代次数加1,执行步骤C;
G、更新信息素;
H、将输出的shrinkage和min_child_weight用于Android恶意软件的检测模型中。
4.根据权利要求3所述的一种基于XGBoost机器学习算法的Android恶意软件检测方法,所述蚁群优化算法具体如下:
蚁群位置初始化:
假设XGBoost的分类准确率作为目标函数值
max{F(s1,w1),F(s2,w2),...,F(sm,wm)},记为maxfitness=max{F(X)},X={x1,x2,...,xm},其中xi表示蚂蚁,利用混沌序列产生初始化的种群步骤如下:
1)产生一个D维的随机向量:
2)Logistics映射,使用上式作为初始迭代,Logistics映射方程如下:
式中,m=1,i=1,2,...,N,d=1,2,..,D;
3)将混沌空间映射到优化变量的搜索空间:
式中,maxd为取上限值,mind为取下限值;
蚂蚁移动规则:
蚁群初始化后,计算其目标函数,为第k迭代第j个蚂蚁的位置向量,定义,目标函数越大,其位置信息素浓度越大,则保存当前目标值最大的蚂蚁为以及其信息素最大值
选择局部搜索或者全局搜索:
蚂蚁转移的概率定义如下:
式中,S为适应度函数的标准差,计算公式如下:
式中,m为蚂蚁个数,Fave为平均适应度值;
由上式可知,离越近,蚂蚁的转移概率就越大,其搜索的方法如下:
若P(xi)≤P0,其中,P0为常数,0<P0<1,则蚂蚁在附近局部位置搜索,移动公式如下:
式中为移动后的位置,为移动前的位置,a为移动步长,定义如下:
若P(xi)>P0,则蚂蚁在解空间搜索;
信息素更新:
根据个***置函数值的大小,更新信息素如下:
式中,ρ为信息蒸发系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150736.1A CN109543406B (zh) | 2018-09-29 | 2018-09-29 | 一种基于XGBoost机器学习算法的Android恶意软件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811150736.1A CN109543406B (zh) | 2018-09-29 | 2018-09-29 | 一种基于XGBoost机器学习算法的Android恶意软件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543406A true CN109543406A (zh) | 2019-03-29 |
CN109543406B CN109543406B (zh) | 2023-04-11 |
Family
ID=65841391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811150736.1A Active CN109543406B (zh) | 2018-09-29 | 2018-09-29 | 一种基于XGBoost机器学习算法的Android恶意软件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543406B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197068A (zh) * | 2019-05-06 | 2019-09-03 | 广西大学 | 基于改进灰狼算法的Android恶意应用检测方法 |
CN110263539A (zh) * | 2019-05-15 | 2019-09-20 | 湖南警察学院 | 一种基于并行集成学习的安卓恶意应用检测方法及*** |
CN110362995A (zh) * | 2019-05-31 | 2019-10-22 | 电子科技大学成都学院 | 一种基于逆向与机器学习的恶意软件检测及分析*** |
CN112818344A (zh) * | 2020-08-17 | 2021-05-18 | 北京辰信领创信息技术有限公司 | 一种运用人工智能算法提高病毒查杀率的方法 |
CN112989342A (zh) * | 2021-03-04 | 2021-06-18 | 北京邮电大学 | 恶意软件检测网络优化方法、装置、电子设备及存储介质 |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020107842A1 (en) * | 2001-02-07 | 2002-08-08 | International Business Machines Corporation | Customer self service system for resource search and selection |
US20100100963A1 (en) * | 2008-10-21 | 2010-04-22 | Flexilis, Inc. | System and method for attack and malware prevention |
CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网***人信用风险评估的装置 |
CN107577942A (zh) * | 2017-08-22 | 2018-01-12 | 中国民航大学 | 一种用于Android恶意软件检测的混合特征筛选方法 |
-
2018
- 2018-09-29 CN CN201811150736.1A patent/CN109543406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020107842A1 (en) * | 2001-02-07 | 2002-08-08 | International Business Machines Corporation | Customer self service system for resource search and selection |
US20100100963A1 (en) * | 2008-10-21 | 2010-04-22 | Flexilis, Inc. | System and method for attack and malware prevention |
CN107194803A (zh) * | 2017-05-19 | 2017-09-22 | 南京工业大学 | 一种p2p网***人信用风险评估的装置 |
CN107577942A (zh) * | 2017-08-22 | 2018-01-12 | 中国民航大学 | 一种用于Android恶意软件检测的混合特征筛选方法 |
Non-Patent Citations (1)
Title |
---|
胡彬等: "基于机器学习的移动终端高级持续性威胁检测技术研究", 《计算机工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197068A (zh) * | 2019-05-06 | 2019-09-03 | 广西大学 | 基于改进灰狼算法的Android恶意应用检测方法 |
CN110197068B (zh) * | 2019-05-06 | 2022-07-12 | 广西大学 | 基于改进灰狼算法的Android恶意应用检测方法 |
CN110263539A (zh) * | 2019-05-15 | 2019-09-20 | 湖南警察学院 | 一种基于并行集成学习的安卓恶意应用检测方法及*** |
CN110362995A (zh) * | 2019-05-31 | 2019-10-22 | 电子科技大学成都学院 | 一种基于逆向与机器学习的恶意软件检测及分析*** |
CN112818344A (zh) * | 2020-08-17 | 2021-05-18 | 北京辰信领创信息技术有限公司 | 一种运用人工智能算法提高病毒查杀率的方法 |
CN112818344B (zh) * | 2020-08-17 | 2024-06-04 | 北京辰信领创信息技术有限公司 | 一种运用人工智能算法提高病毒查杀率的方法 |
CN112989342A (zh) * | 2021-03-04 | 2021-06-18 | 北京邮电大学 | 恶意软件检测网络优化方法、装置、电子设备及存储介质 |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
CN115801463B (zh) * | 2023-02-06 | 2023-04-18 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109543406B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543406A (zh) | 一种基于XGBoost机器学习算法的Android恶意软件检测方法 | |
CN110222512A (zh) | 一种基于中间语言的软件漏洞智能检测与定位方法与*** | |
CN107103235A (zh) | 一种基于卷积神经网络的Android恶意软件检测方法 | |
CN108985061B (zh) | 一种基于模型融合的webshell检测方法 | |
CN109922065B (zh) | 恶意网站快速识别方法 | |
CN110232280A (zh) | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 | |
CN106874762B (zh) | 基于api依赖关系图的安卓恶意代码检测方法 | |
Oyama et al. | Identifying useful features for malware detection in the ember dataset | |
Benz et al. | Universal adversarial training with class-wise perturbations | |
Zheng et al. | Open set adversarial examples | |
CN110363003B (zh) | 一种基于深度学习的Android病毒静态检测方法 | |
US20220164447A1 (en) | Mobile application malicious behavior pattern detection method based on api call graph extraction and recording medium and device for performing the same | |
KR102283054B1 (ko) | Api 호출 그래프 추출 기반 모바일 애플리케이션 악성 행위 패턴 탐지 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN111931179A (zh) | 基于深度学习的云端恶意程序检测***及方法 | |
CN106203122A (zh) | 基于敏感子图的安卓恶意重打包软件检测方法 | |
KR102302484B1 (ko) | 특성 선택에 기반한 모바일 악성 코드 분류 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN107403251A (zh) | 风险检测方法及装置 | |
CN111400713A (zh) | 基于操作码邻接图特征的恶意软件族群分类方法 | |
CN114745205A (zh) | 恶意代码对抗样本检测方法、***及存储介质 | |
CN112817877B (zh) | 异常脚本检测方法、装置、计算机设备和存储介质 | |
CN105243327B (zh) | 一种文件安全处理方法 | |
CN105468972B (zh) | 一种移动终端文件检测方法 | |
Wang et al. | Are you confident that you have successfully generated adversarial examples? | |
CN110197068B (zh) | 基于改进灰狼算法的Android恶意应用检测方法 | |
KR20200067044A (ko) | 악성 파일 탐지 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |