相关实验视频
Updated: Jun 9, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
AMDDL模型:使用深度学习模型检测安卓智能手机恶意软件
Muhammad Aamir1, Muhammad Waseem Iqbal2, Mariam Nosheen3
1Department of Computer Science, COMSATS University Islamabad, Sahiwal Campus, Sahiwal, Pakistan.
PloS one
|January 19, 2024
概括
本研究介绍了AMDDL模型,这是一种使用卷积神经网络进行Android恶意软件检测的深度学习方法. 该模型达到99.92%的准确性,大大提高了针对不断变化的威胁的移动安全性.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 安卓的广泛使用使其生态系统成为恶意软件的目标.
- 恶意软件的安装通过API调用和许可授权等各种媒介发生,从而损害了用户隐私和系统安全.
- 现有的Android恶意软件检测和分类方法需要改进,以对抗复杂的威胁.
研究的目的:
- 开发和评估AMDDLmodel,这是一种用于准确检测和分类Android恶意软件的新型深度学习技术.
- 为了提高安卓设备的安全性,并保护用户隐私免受恶意应用程序的侵害.
- 为了证明深度学习的有效性,特别是卷积神经网络,在识别安卓恶意软件.
主要方法:
- 实施AMDDL模型,这是一个使用卷积神经网络 (CNN) 的深度学习模型.
- 该模型的性能通过各种参数进行调整,包括过器大小,时代,学习率和网络层.
- 使用Drebin数据集评估模型,该数据集包括215个不同的特征.
主要成果:
- 在检测和分类Android恶意软件方面,AMDDL模型实现了99.92%的高精度.
- 该模型展示了强大的性能指标,包括精度,回忆和F1分数.
- 对比分析显示,AMDDL模型在安卓恶意软件检测的准确性方面超过了现有的技术.
结论:
- AMDDLmodel代表了用于Android恶意软件检测的创新深度学习解决方案.
- 该模型通过先进的功能工程显著提高了检测准确性和用户安全性.
- 这些发现突显了深度学习在强大的移动安全和隐私保护方面的潜力.
