针对多平台恶意软件检测的ML技术的调查:保护PC,移动设备,物联网和云环境的安全
Jannatul Ferdous1, Rafiqul Islam1, Arash Mahboubi1
1School of Computing, Mathematics and Engineering, Charles Sturt University, Albury, NSW 2640, Australia.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
这项研究审查了用于PC,移动设备,物联网和云平台的恶意软件检测的机器学习. 它强调了对应不断变化的网络威胁的适应性,跨平台战略的需要.
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:
- 恶意软件对全球构成重大威胁,造成数十亿美元的经济损失.
- 网络犯罪分子利用PC,移动,物联网和云等多种平台的不断发展的恶意软件功能.
- 现有的研究主要集中在单平台恶意软件检测上,缺乏全面的跨平台审查.
研究的目的:
- 为在多个平台上检测恶意软件提供机器学习 (ML) 技术的广泛审查.
- 解决了解和应对跨平台恶意软件威胁的研究缺口.
- 为了激励未来的研究适应性,跨平台恶意软件检测.
主要方法:
- 自2017年以来,对基于ML的恶意软件检测进行了全面的文献审查.
- 对PC,移动,物联网和云环境的恶意软件检测技术的分析.
- 确定当前的挑战和未来的研究方向.
主要成果:
- 在现有研究中发现缺乏整体的,跨平台的恶意软件检测策略.
- 详细介绍了针对各种数字生态系统的恶意软件威胁的演变.
- 综合了 ML 在跨平台恶意软件检测方面的最新进展.
结论:
- 对恶意软件检测的基于平台的理解对于有效的防御至关重要.
- 开发适应性,跨平台的ML技术对于未来的网络安全至关重要.
- 本综述为强大,不断发展的恶意软件检测策略提供了基础.
