珀姆QRDroid:Android恶意软件检测与新的注意力层次的迷你ResNet架构在有效的许可信息图像上的有效许可信息图像
Kazım Kılıç1, İbrahim Alper Doğru1, Sinan Toklu1,2
1IoTLab, Department of Computer Engineering, Gazi University, Ankara, Turkey.
PeerJ. Computer science
|December 9, 2024
概括
本研究介绍了一种关注层次的迷你ResNet模型,用于检测风险的Android应用程序,使用应用程序权限的QR码样图像. 该模型实现了高精度,在识别潜在安全威胁方面表现优于现有方法.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 安卓操作系统主导着全球智能设备市场,由开源和免费应用驱动的使用量不断增加.
- 从非官方来源安装应用程序对用户构成重大隐私和安全风险.
- 有效检测恶意安卓应用程序对于用户保护至关重要.
研究的目的:
- 开发一种新的深度学习模型,用于检测潜在的有害Android应用程序.
- 使用Android应用程序许可信息来识别安全威胁.
- 为Android应用程序安全分析创建一个强大而高效的方法.
主要方法:
- 为基于图像的Android应用程序分析提出了一个注意层的迷你ResNet模型.
- 像QR码一样的图像是使用通过chi-square技术识别的100个最有效的Android应用程序权限来生成的.
- 结合了剩余和注意层,以增强功能提取,并专注于关键的许可信息.
主要成果:
- 拟议的模型在包括Androzoo,Drebin,Genome和Google Play Store在内的各种数据集上实现了高准确率 (高达100%).
- 交叉验证显示了一致的性能,精度值在94%至98.62%之间.
- 该模型在基于权限的Android应用程序分类方面超过了经典的机器学习和现有的深度学习方法.
结论:
- 关注层的迷你ResNet模型为Android应用程序安全提供了高度准确和高效的解决方案.
- 使用权限数据的基于图像的方法为威胁检测提供了一种新有效的方法.
- 该研究强调了深度学习在增强移动安全方面对不断变化的威胁的潜力.
