区块Droid:从图像中检测Android恶意软件,使用轻量级卷积神经网络模型与集体学习和移动设备区块链
Emre Şafak1,2, İbrahim Alper Doğru2, Necaattin Barışçı2
1Department of Information and Communication Technologies, HAVELSAN, Ankara, Turkey.
PeerJ. Computer science
|June 26, 2025
概括
通过深度学习和区块链,BlockDroid增强了Android恶意软件检测. 这种方法实现了97.38%的准确性,通过防止对已知的应用程序进行重新分析来提高效率.
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:
- 传统的Android恶意软件检测方法与恶意软件复杂性和逃避技术的增加作斗争.
- 基于签名的检测对多态和模糊的恶意软件是不够的.
- 机器学习,特别是深度学习,为恶意软件检测提供了自动特征提取和复杂模式识别的高级功能.
研究的目的:
- 介绍BlockDroid,这是一个创新的方法,用于准确和高效的Android恶意软件检测.
- 利用卷积神经网络 (CNN) 模型,集体学习和区块链技术来增强检测能力.
- 解决传统方法的局限性,改善移动安全方面的资源利用.
主要方法:
- 安卓DEX文件被转换成图像数据用于CNN模型的分析.
- 他们使用了轻量级的CNN模型 (EfficientNetB0,MobileNetV2,定制).
- 集体学习和区块链技术被整合起来,以提高准确性和高效的记录.
主要成果:
- 在CICMalDroid 2020数据集上,BlockDroid系统实现了97.38%的高准确率.
- 在恶意软件检测准确度方面,BlockDroid的表现优于个别的CNN模型.
- 区块链集成使预测能够有效记录,避免冗余分析.
结论:
- 区块Droid为Android恶意软件检测提供了一个高度准确和高效的解决方案.
- 深度学习和区块链技术的结合为移动安全提供了一种新且有效的方法.
- 这种方法通过防止应用程序的重复分析,显著提高了资源利用率.
