使用混合深度表示学习与启发式搜索算法来提高恶意软件检测性能

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 由于复杂的逃避策略,Android的市场主导地位需要强大的恶意软件保护.
• 传统的静态分析和机器学习与先进的动态恶意软件作斗争.
• 模糊和动态代码触发等逃避技术挑战了当前的检测方法.

研究的目的:

• 提出一种混合深度学习框架 (IMDP-HDL),用于增强Android恶意软件检测.
• 确保在现实世界的网络安全中有效和可扩展地部署恶意软件检测.
• 解决传统方法在识别复杂和不断演变的恶意软件方面的局限性.

主要方法:

• 采用Z-score标准化来实现一致的特征缩放和模型性能.
• 采用混合深度学习模型,将卷积神经网络,双向长期短期记忆和自我注意机制 (CBiLSTM-SA) 结合起来.
• 在Android恶意软件数据集上进行了广泛的实验.

主要成果:

• IMDP-HDL模型实现了99.22%的卓越精度.
• 与现有的恶意软件检测技术相比,表现出显著的性能改进.
• 在一个全面的Android恶意软件数据集上验证了框架的有效性.

结论:

• 拟议的IMDP-HDL框架为Android恶意软件检测提供了一个高度准确和有效的解决方案.
• 混合深度学习方法CBiLSTM-SA成功地减轻了先进的逃避策略.
• 该方法为现实世界的网络安全应用提供了可扩展和可靠的工具.