基于深度学习的网络实用软件系统的设计与实现.docx

摘 要 当今，Android手机为大家的衣食住行提供便捷、便捷服务的与此同时，其客户隐私泄露事情也频频发生，Android系统被作为恶意行为的媒介，对其的检测服务已刻不容缓。传统式的深度学习实体模型在应对多类特点构成的检验依据数据信息时，会因为数据信息层面高、噪音多，顾没法对重要数据实现高效地获取，而深度神经网络方式具备较强的学习规律的能力，合适解决这类高维空间、繁杂的多特点数据信息，根据此，本文提出一种基于深度收缩降噪自编码网络和一种基于深度双通路卷积神经网络的 Android 恶意软件检测模型。 基于深度收缩降噪自编码网络的 Android 恶意软件检测模型研究中，首先，逆向分析 APK 文件获取权限、敏感 API 等七类信息作为特征属性；然后，将特征属性作为深度收缩降噪自编码网络的输入，使用贪婪算法自底向上逐层的对原始特征信息进行抽取，获取最优的低维表示；最后，使用反向传播算法对获取的低维表示进行训练和分类。对输入数据添加噪声，使得重构后的数据具有更强的鲁棒性，同时加入雅克比矩阵作为惩罚项，增强了深度自编码网络的抗扰动能力。实验结果验证了本模型的可行性和高效性，并且具有较高的检测率。 关键词：深度学习；Android；检测  目 录 TOC \o 1-3 \h \u 9821 1 引言 1 2394 2 相关理论与关键技术 2 9767 2.1 Android系统检测技术 2 1700 2.2深度学习技术 2 26612 3 Android系统特征分析与选择 3 1375 3.1 APK文件 3 19450 3.2 特征的分析与提取 3 12997 3.2.1 权限 4 18688 3.2.2 敏感API 5 30507 3.2.3 Component 6 26634 3.2.4 IntentAction 7 31101 3.2.5 IntentCategory 8 22114 3.2.6 Hardware 8 5032 4 基于深度卷积神经网络的Android恶意软件检测模型的研究与实现 9 2277 4.1 预期目标 9 26414 4.2 模型设计 10 704 4.3 实验结果与分析 11 31608 4.3.1 深度双通路卷积神经网络模型训练结果 11 8953 4.3.2对比实验及分析 12 23462 5 结语 13 14212 参考文献 14 6120 致 谢 15 PAGE PAGE 3 1 引言 伴随着大家对手机依赖的加剧，手机当中的重要信息愈来愈多，而Android系统也是开源系统的发展战略，而且自己的安全防护体制也出现系统漏洞可被恶意程序运用，因此促进其变成恶意进攻的主要总体目标，若没法对Android恶意程序开展合理检验，阻拦软件的恶意个人行为，可能导致本人、公司的个人隐私泄露和经济损失。据2021年2月4日360安全管家公布的《2019年中国手机安全状况报告》表明，360手机卫士2019年全年度阻拦了约9.5亿个恶意软件进攻，均值每日阻拦约259.2千次，在其中，检验到增加恶意软件样板约180.9万个，关键种类反映在资费套餐和个人隐私盗取。这种信息说明，当今Android系统的安全形势分析依然不容乐观，恶意软件的威胁无所不在，时时刻刻对Android系统组成安全风险，因而，怎么才能高效地检验出恶意软件，维护Android系统的安全性，防止大家的个人隐私不泄漏，已变成安全性专业技术人员高度关注的难题 伴随着Android的快速发展和我们需要的提升，Android应用软件的信息愈来愈多，对比过去获得的特性数据信息也更为繁杂、巨大，与此同时，因为开发者撰写不标准及其疏忽等缘故，也会使获得的特性数据信息中出现很多的冗余信息内容和噪音，应用那样的信息不但危害检验实际效果，乃至很有可能取得一个彻底问题的结果，还会继续消耗较多的电子计算机资源和时间，因而，搭建Android恶意程序检验实体模型具体有下列挑战：最先是找寻一种合理的特征提取方式解决特点数据信息层面高且冗余和噪音较多的难题。在现阶段的Android恶意程序检验的分析中，更偏向于选择多类特点开展检验，从而又提升了获得的特性数据资料的层面，增加了沉余和噪音数据信息，高维空间、沉余和噪音会提升检验的时间，分外消耗服务器资源，因此需要对其开展解决，传统式特征提取方式，如PCA优化算法，在应对离散系统难题时，不但不能高效除去冗余和噪音，还会继续使实质信息内容遗失比较严重，没法充分发挥其功效。而传统化的深度学习方式在解决高维空间数据信息时一般的做法是手动式获取很多特点，这一过程不但麻烦并且扩大了测算复杂性，这使本就巨大的数据信息始料不及。因而，找寻一