预测安卓勒索软件与深度学习模型使用混合密码学.

科学领域:

• 网络安全 网络安全
• 移动安全 移动安全
• 人工智能的人工智能

背景情况:

• 安卓勒索软件对移动用户的隐私和敏感数据构成越来越大的威胁.
• 现有的检测方法缺乏准确性和安全存储能力.
• 需要加强对不断发展的Android恶意软件的安全措施.

研究的目的:

• 开发一个强大的模型来检测Android勒索软件.
• 为用户数据实施安全的云存储解决方案.
• 提高恶意软件检测系统的准确性和性能.

主要方法:

• 使用Squirrel搜索优化从APK文件中提取功能.
• 使用AlexNet深度学习模型将数据分类为恶意或正常.
• 通过混合密码模型 (同型圆曲线密码学和Blowfish) 进行安全的云存储.

主要成果:

• 拟议的深度学习模型在恶意软件检测中实现了99.89%的准确性.
• 与GNN (94.76%),CNN (95.76%) 和随机森林 (96%) 相比,该系统表现出更高的性能.
• 混合加密模型确保了在云中安全存储非恶意数据.

结论:

• 拟议的系统有效地检测安卓勒索软件的高精度.
• 混合加密方法在云中提供安全的数据存储.
• 这项研究在针对勒索软件威胁的移动安全方面取得了重大进展.