基于改进的斑马优化算法和轻GBM的Android恶意软件的新型多分类动态检测模型
Shuncheng Zhou1, Honghui Li1, Xueliang Fu1
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
这项研究引入了Android恶意软件的新动态检测模型IZOA-LightGBM,该模型显著提高了检测准确度. 该模型通过使用增强的优化算法优化机器学习超参数,有效地识别复杂的恶意软件.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 移动安全 移动安全
背景情况:
- 安卓恶意软件正在迅速增加,对智能手机用户构成重大威胁.
- 目前的静态分析方法与恶意软件所使用的复杂的模糊化技术作斗争.
- 需要更有效,更准确的Android恶意软件检测方法.
研究的目的:
- 为Android恶意软件提出一个新的动态检测模型.
- 为了提高安卓恶意软件检测的准确性和效率.
- 解决静态分析在检测模糊恶意软件方面的局限性.
主要方法:
- 开发了一种改进的斑马优化算法 (IZOA),具有精英的基于对立的学习和火虫扰动.
- 利用IZOA优化光梯度增强机 (LightGBM) 模型的超参数.
- 实现了一个动态检测模型,IZOA-LightGBM,用于安卓恶意软件的多重分类.
主要成果:
- 该IZOA-LightGBM模型实现了高检测准确度:在CICMalDroid-2020上达到了99.75%,在CCCS-CIC-AndMal-2020上达到了98.86%,在CIC-AAGM-2017上达到了97.95%.
- 与其他现有模型相比,拟议的模型表现出优越的性能.
- 优化算法的增强的融合速度和搜索能力.
结论:
- 该IZOA-LightGBM模型为动态Android恶意软件检测提供了一个高度有效的解决方案.
- 整合IZOA和LightGBM显著提高了对复杂恶意软件的检测准确度.
- 这种方法提供了强大的防御,以抵御Android恶意软件日益增长的威胁.
