混合深度学习模型用于使用DBN-GRUU进行准确和高效的安卓恶意软件检测.
Heena Kauser Sk1, Maria Anu V2
1Research scholar, Department of Computer Science & Engineering, Sathyabama Institute of Science and Technology, Chennai, Tamil Nadu, India.
PloS one
|May 19, 2025
概括
本研究介绍了一种混合深度学习模型 (DBN-GRU),用于先进的Android恶意软件检测. DBN-GRU模型显著提高了识别恶意应用程序的准确性和效率.
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:
- 安卓应用程序面临着来自高级恶意软件的越来越多的安全威胁.
- 传统的检测方法与多态和变态恶意软件变体作斗争.
研究的目的:
- 开发一种混合深度学习模型 (DBN-GRU),用于增强Android恶意软件检测.
- 为了提高对复杂恶意软件的检测准确性和效率.
主要方法:
- 一个混合深度学习模型 (DBN-GRU),集成深度信念网络 (DBN) 进行静态分析和门式循环单元 (GRU) 进行动态分析.
- 从Android APK中提取静态功能 (权限,API调用,意图过器) 和动态功能 (系统调用,网络活动,进程间通信).
- 关于德雷宾数据集的培训和测试 (129,013个申请).
主要成果:
- DBN-GRU实现了98.7%的准确性,98.5%的精度,98.9%的回忆,以及AUC为0.99.
- 它的性能优于NMLA-AMDCEF,MalVulDroid和LinRegDroid等传统模型.
- 证明了更快的预处理,特征提取和分类时间,适合实时部署.
结论:
- DBN-GRU模型有效地弥合了静态和动态检测,增强了恶意软件检测能力.
- 该模型减少了假阳性和计算开销,提供了一个可扩展的解决方案.
- 在现实世界安卓安全中确认适用性,用于高性能恶意软件检测.
