- 1、本文档共4页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
?
?
基于深度学习的Andriod恶意应用程序检测系统
?
?
张海舰
摘要设计了一个基于深度学习技术的恶意应用程序检测系统。该系统的实现主要由三大部分组成:安全与恶意APK代码特征的提取模块、深度学习模型的“训练”模块、深度学习模型检测未知APK样本模块。系统协助设备用户有效应对大数据人工智能时代的恶意入侵威胁和个人隐私信息泄露威胁。
【关键词】Andriod系统APK深度学习大数据人工智能
深度学习(DeepLearning),作为一种实现人工智能(AI)的强大技术,经过近期的飞速发展,已经在手写识别、维数约简、语音识别、图像理解、机器翻译、蛋白结构预测和情感识别等各个方面获得了广泛的应用,因屡屡打破记录的测评结果而受到社会和科技前沿的高度关注。然而随着移动互联网(MobileInternet)和物联网(InternetofThings)等信息产业技术的蓬勃发展,基于Andriod平台的移动智能设备数量和用户数据流量呈指数爆炸式增长。因而大数据人工智能时代的信息安全问题将会是我们人类面临的重大挑战。为应对艰难挑战,本文将人工智能时代的大数据背景与擅长大数据处理的前沿科技——深度学习,创新性的结合在一起,突破传统算法效率低的技术屏障,且从理论上取得了可行性证明,实际验证也获得了较好的检测效果。
1系统实现原理
深度学习检测系统在原理上由三大模块构成:安全与恶意APK代码特征的提取模块、深度学习模型的“训练”模块、深度学习模型检测未知APK样本模块。如图1所示。
2APK特征数据提取模块
本文使用静态代码特征分析来提取特征集。原理图如图2所示。
2.1APK代码反编译与指令特征分析
在特征描述阶段,静态代码分析获取各个应用程序Dalivk指令的N-Gram序列的统计数据。
2.2统计处理模块
使用Python语言编写代码对静态分析获得的特征集合进行统一处理为CSV格式。然后将特征数据转为成卷积神经网络擅长识别处理的样本特征矩阵。
3深度学习模型“训练”模块
卷積神经网络的感知原理类似于视觉系统的作用原理,针对二维形状的识别而设计的一种多层感知器,局部连接,权值共享。在Matlab环境下开发编写了cnn.m、fcnn.m、deep_Learning.m等多个卷积神经网络算法文件来对样本特征矩阵进行训练。
原理框图如图3所示。
4深度学习模型检测未知APK样本模块
从Googleplay上批量下载未参与训练深度神经网络的Andriod应用程序,然后对其APK执行系统步骤,得到未知样本APK的相关预测报告。得到了较好预测效果。
5结束语
本文采用静态代码分析技术提取Android应用的多类行为特征数据,然后将特征数据创新性地转化为样本特征矩阵(SampleMatrix),并创作OPNG技术以提高细粒度,弥补了一般静态代码分析的缺点。另一方面本文突破了传统分类算法在面对大数据时的局限性和低效率性、同类型特征在Android恶意行为检测中所起的不同作用等诸多复杂的难题,极大地提高了算法分类判性的可靠性。本文中采用了11126个恶意APK样本和22002个非恶意APK样本进行训练,2000个未参与“训练”的APK样本进行准确率测试。实验结果表明,本作品在准确率和执行效率上表现良好。下一步工作主要分为两大部分:
(1)将研究基于更多类型行为特征的深度学习算法,并对深度学习算法结合云计算实现更快速的处理,进一步完善系统。
(2)将整体检测模型使用java开发语言重新搭建,将目前的检测系统植入便于操作的pc端应用程序之中。
参考文献
[1]彭国军,李晶雯等.Android恶意软件检测研究与进展[D].武汉大学计算机学院,2015(01):003.
[2]张福勇.基于n-gram词频的恶意代码特征提取方法[D].江苏生物工程学院,2012
作者单位
空军预警学院湖北省武汉市430019
?
-全文完-
您可能关注的文档
- 基于超网络模型的互联网金融人才培养体系研究.docx
- 基于视觉符号理论的盲盒经济研究.docx
- 基于物联网技术的智能建筑系统集成.docx
- 基于材质和信息的书籍装帧艺术发展途径分析的论文-艺术理论论文.docx
- 基于数据分析的日本三级自然公园保护与游憩利用研究.docx
- 基于影视动画的场景设计研究.docx
- 大学生职业规划大赛《音乐表演专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《口腔医学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《汽车服务工程专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《食品科学与工程专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《新闻学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《应用统计学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《音乐学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《中医学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《信息管理与信息系统专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《汽车服务工程专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《水产养殖学专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《市场营销专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《音乐表演专业》生涯发展展示PPT.pptx
- 大学生职业规划大赛《音乐学专业》生涯发展展示PPT.pptx
文档评论(0)