国家科技期刊平台

相关度

相关度
发表时间

每页显示10条

每页显示10条
每页显示20条
每页显示30条

已找到 48 条结果

基于模型库的安卓恶意软件检测方法北大核心CSTPCD
作者：余东豪李涛
发表期刊：计算机应用与软件 2022年1期
关键词：安卓恶意软件检测模型库SMO
摘要：单一算法生成的识别器普适性不足,对不同种群安卓软件进行识别产生的效果不稳定.针对这种情况,提出一种基于模型库的安卓恶意软件检测方法.通过Python程序进行爬虫与权限提取工作,得到应用的权限信息;使用SMO按照应用的权限信息分类得到不同种群的数据;将应用的种群信息输入到模型库中,得到恶意检测结果,并根据结果对模型库进行演化,使模型库的检测能力不断增强.实验结果表明,对于相同数据集,演化后的模型库方法比一般算法准确率都有小幅提高;对于多…查看全部>>
基于GHM可视化和深度学习的恶意代码检测与分类CSTPCD
作者：张淑慧胡长栋王连海徐淑奖邵蔚兰田
发表期刊：信息安全研究 2024年3期
关键词：恶意软件检测深度学习恶意软件分类内存取证可视化
摘要：恶意代码的复杂性和变异性在不断增加,致使恶意软件的检测变得越来越具有挑战性.大多数变异或未知的恶意程序是在现有恶意代码的逻辑基础上进行改进或混淆形成的,因此发现恶意代码家族并确定其恶意行为变得越来越重要.提出了一种基于GHM(Gray,HOG,Markov)的新型恶意软件可视化方法进行数据预处理.与传统的可视化方法不同,该方法在可视化过程中通过HOG和马尔科夫提取出更加有效的数据特征,并构建了3通道彩色图像.此外,构建了基于CN…查看全部>>
基于注意力与门控机制的多特征融合恶意软件检测方法CSTPCD
作者：陈仲元张建标
发表期刊：网络与信息安全学报 2024年1期
关键词：恶意软件检测深度学习特征融合多模态学习静态分析
摘要：随着网络技术的飞速发展,恶意软件及其变种的数量不断增加,这使得恶意软件的检测成为网络安全领域面临的一大挑战.然而,现有的单一特征恶意软件检测方法在样本信息的表示上存在不足,而对于采用多特征的检测方法,它们在特征融合方面存在局限,未能有效地学习和理解特征内部及特征间的复杂关联,这些问题都会导致检测效果不佳.提出了一种基于多模态特征融合的恶意软件检测方法——MFAGM.通过处理数据集的.asm和.bytes文件,成功提取了两种类型的3种关…查看全部>>
Android恶意软件检测方法研究综述北大核心CSCDCSTPCD
作者：李江华邱晨
发表期刊：计算机应用研究 2019年1期
关键词：恶意软件检测特征机器学习混淆矩阵
摘要：基于Android系统恶意软件检测的全流程,对比和分析了国内外的研究现状和进展,从样本获取的角度介绍了标准化数据样本的来源及作用,从特征选择的角度阐述了特征选择应遵循的原则;重点从检测方法的角度对比和分析了各种检测方法的优缺点,同时总结和归纳了特征数据集筛选方法以及实验结果评估方法.最后结合实际应用和需求,展望了未来Android恶意软件检测方法的研究和发展方向.
通信网络下恶意检测及终端设备安全研究CSTPCD
作者：顾伟
发表期刊：电子器件 2023年1期
关键词：通信网络恶意软件检测深度学习
摘要：无线通信技术的快速发展,促使了移动终端市场的繁荣.爆炸式增长的网络流量使得监控变得十分棘手,导致移动终端市场存在一系列安全隐患.安卓因其自身的流行性和便利性,已经成为手机终端市场占有率第一的操作平台.然而,庞大的市场份额也使得其成为恶意攻击者的首要攻击目标.针对通信网络中恶意软件的数量暴增以及伪装技术的升级,现有的多采用单一的特征如权限(Permission)进行分析的研究工作不足以应付当今的发展趋势,因此提出了基于权限(Permis…查看全部>>
一种基于改进的关联规则挖掘算法的Android恶意软件检测方法CSTPCD
作者：严喆朱保平
发表期刊：计算机与数字工程 2018年6期
关键词：Android关联规则恶意软件检测数据挖掘权限组合
摘要：针对Android平台恶意软件的检测需求的上升和现有的关联规则挖掘算法的效率较低,不能直接用于恶意软件的检测的问题,论文在改进的关联规则挖掘算法(Eclat)的基础之上,设计了一种挖掘权限之间关联性的算法(AEclat),该算法在49个恶意软件家族之上进行权限频繁模式挖掘,通过得到极大频繁项集,进一步构造权限关系特征库,依此来对恶意软件进行检测.实验分析表明论文提出的方法对恶意软件有较高的识别率和较小的误报率,可以有效增强Android系统的安全性.
基于深度学习的Android恶意软件检测系统的设计和实现CSTPCD
作者：王涛李剑
发表期刊：信息安全研究 2018年2期
关键词：Android安全深度学习恶意软件神经网络恶意软件检测
摘要：为了提高Android恶意软件检测的准确率和有效性,提出了一种新的基于深度学习的Android恶意软件检测系统:SDADLDroid.该系统中使用的安全相关特征分别由静态特征和动态特征组成.经过特征选择算法,将深度学习多层降噪自动编码机,用于最终的分类.在本次实验中,使用了8 000个良性应用软件和7 000个恶意软件组成的数据集,该系统通过对现实中15 000个应用构建了一个3层的SDA神经网络,该系统的检测准确率高达95.8％.实…查看全部>>
恶意软件检测中的特征选择问题北大核心CSCDCSTPCD
作者：陈洪泉
发表期刊：电子科技大学学报 2009年z1期
关键词：基本块特征选择恶意软件检测n元序列操作码系统调用
摘要：恶意软件检测问题是一个十分重要的问题,而特征选择的好坏对于恶意软件检测具有决定性的影响.该文提出用有效性,自动性及时空效率作为恶意软件检测中选择的特征好坏评价的基本指标,并讨论了几种恶意软件检测特征选择的分类方法.对目前常见的基于n元序列、基于操作码、基于基本块和基于行为的特征选择方法进行了较为系统的回顾,分析了各种特征选择方法的基本原理,总结梳理了每种特征选择方法的优点和缺点,并对特征选择的效果进行了定性的评估,得出的结论对于…查看全部>>
基于中间代码的恶意软件检测技术研究北大核心CSCDCSTPCD
作者：杨洪深赵宗渠王俊峰
发表期刊：四川大学学报（自然科学版） 2013年6期
关键词：恶意软件检测中间代码软件特征机器学习
摘要：软件的中间代码是位于机器语言和高级程序语言之间程序语言，具有容易理解的语义信息和控制结构信息，能真实地反映软件在执行过程中的实际情况。利用中间代码的语义信息来研究恶意软件，可以发现恶意软件的具体行为信息或特点；通过多种方式对比中间代码形成的控制流图整体或局部信息，实现恶意软件的检测。机器学习为软件安全性信息或规则挖掘提供便利，成为一种先进的恶意软件检测方法。本文从中间代码的语义信息和控制结构两方面对多种恶意软件检测技术进行归类与比较，…查看全部>>
基于半监督学习的安卓恶意软件检测及其恶意行为分析CSTPCD
作者：杜炜李剑
发表期刊：信息安全研究 2018年3期
关键词：安卓恶意软件检测随机森林半监督学习梯度提升决策树
摘要：为了更好地检测安卓恶意软件以及分析其恶意行为,提出一种基于半监督学习的安卓恶意软件检测及其恶意行为分析的研究方案.首先收集了16179个安卓良性软件以及31 964个安卓恶意软件,随后反编译安卓软件,提取了权限、服务和敏感API作为静态特征,然后使用DroidBox动态分析工具提取了7种动态特征.虽然安卓恶意软件家族体现了安卓恶意软件的恶意行为,但不同的恶意软件家族可能具有相同的恶意行为,因此,对样本数据中最主要的20种恶意软件家族进…查看全部>>

12 3 4 5 >