• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Android Malware Detection Using Category-Based Machine Learning Classifiers.
【24h】

Android Malware Detection Using Category-Based Machine Learning Classifiers.

机译：使用基于类别的机器学习分类器进行Android恶意软件检测。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Android malware growth has been increasing dramatically along with increasing of the diversity and complicity of their developing techniques. Machine learning techniques are the current methods to model patterns of static features and dynamic behaviors of Android malware. Whereas the accuracy rates of the classifiers increase with increasing the quality of the features, we relate between the apps' features and the features that are needed to deliver the category's functionality. Differently, our classification approach defines legitimate static features for benign apps under a specific category as opposite to identifying malicious patterns. We utilize the features of the top rated apps in a specific category to learn a malware detection classifier for the given category. Android apps stores organize apps into different categories; For example, Google play store organizes apps into 26 categories such as: Health and Fitness, News and Magazine, Music and Audio, etc. Each category has its distinct functionality which means the apps under a specific category are similar in their static and dynamic features. In general, benign apps under a certain category tend to share a common set of features. On the contrary, malicious apps tend to request abnormal features, less or more than what are common for the category that they belong to. This study proposes category-based machine learning classifiers to enhance the performance of classification models at detecting malicious apps under a certain category. The intensive machine learning experiments proved that category-based classifiers report a remarkable higher average performance compared to non-category based.
机译：随着其开发技术的多样性和复杂性的增加，Android恶意软件的增长已急剧增长。机器学习技术是为Android恶意软件的静态功能和动态行为模式建模的当前方法。分类器的准确率随着功能质量的提高而增加，但我们在应用程序的功能与提供类别功能所需的功能之间建立了联系。不同的是，我们的分类方法为特定类别下的良性应用定义了合法的静态功能，与识别恶意模式相反。我们利用特定类别中评分最高的应用程序的功能来学习给定类别的恶意软件检测分类器。 Android应用商店将应用分为不同类别；例如，Google Play商店将应用分为26个类别，例如：“健康和健身”，“新闻和杂志”，“音乐和音频”等。每个类别都有其独特的功能，这意味着特定类别下的应用的静态和动态功能相似。通常，特定类别下的良性应用程序倾向于共享一组通用功能。相反，恶意应用程序趋向于请求异常功能，这些异常功能要比其所属类别的常见功能少或多。这项研究提出了基于类别的机器学习分类器，以增强分类模型在检测特定类别下的恶意应用程序时的性能。密集的机器学习实验证明，与非基于类别的分类器相比，基于类别的分类器报告了显着更高的平均性能。

著录项

  • 作者

    Ali Alatwi, Huda.;

  • 作者单位

    Rochester Institute of Technology.;

  • 授予单位 Rochester Institute of Technology.;
  • 学科 Computer science.
  • 学位 M.S.
  • 年度 2016
  • 页码 61 p.
  • 总页数 61
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类 公共建筑;
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号