版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著移動(dòng)互聯(lián)網(wǎng)的高速發(fā)展,智能終端迅速成為了國(guó)家基礎(chǔ)信息設(shè)備。但手機(jī)應(yīng)用的安全問題也日益加劇。安卓平臺(tái)的開放性,應(yīng)用的廣泛性以及良好的用戶體驗(yàn),使其成為惡意攻擊者的攻擊目標(biāo)?,F(xiàn)有的安卓惡意應(yīng)用檢測(cè)方法在準(zhǔn)確率上還有待提高,檢測(cè)惡意應(yīng)用的方法也亟待更新。
針對(duì)大規(guī)模安卓惡意應(yīng)用檢測(cè)的準(zhǔn)確率有待提高的問題,本文采用了兩種不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)模型。一種為串行結(jié)構(gòu)(
2、Serial Convolutional Neural Network,CNN-S),通過構(gòu)建5層卷積神經(jīng)網(wǎng)絡(luò),并將部分卷積層、池化層共同接入全連接層使得特征提取更加全面,從而提升檢測(cè)準(zhǔn)確率。另一種為并行結(jié)構(gòu)(Parallel Convolutional Neural Network,CNN-P),利用大小不同的卷積核提取特征圖,最終實(shí)現(xiàn)安卓惡意應(yīng)用的檢測(cè)??紤]到CNN容易產(chǎn)生過擬合現(xiàn)象,利用Dropout方法,有效的防止過擬合的出現(xiàn)。
3、實(shí)驗(yàn)使用了13000個(gè)惡意樣本和10000個(gè)非惡意樣本。實(shí)驗(yàn)證明,在同等實(shí)驗(yàn)條件下,CNN-S與CNN-P模型的檢測(cè)準(zhǔn)確率均高于支持向量機(jī)(Support Vector Machine,SVM)等傳統(tǒng)機(jī)器學(xué)習(xí)模型,其中CNN-S模型的檢測(cè)準(zhǔn)確率最高為99.82%,比SVM高5%。同時(shí),本文對(duì)比了不同激活函數(shù)對(duì)檢測(cè)準(zhǔn)確率的影響。通過實(shí)驗(yàn)分析發(fā)現(xiàn),應(yīng)用Relu激活函數(shù)比Sigmoid激活函數(shù)檢測(cè)準(zhǔn)確率高2%。
針對(duì)現(xiàn)有實(shí)驗(yàn)條件下卷
4、積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)間較長(zhǎng)的問題,本文提出深度稀疏自編碼(Deep sparse Autoencoder,DAE)與CNN-S相結(jié)合的惡意應(yīng)用檢測(cè)方法(DAE-CNN-S)。利用DAE方法對(duì)高維數(shù)據(jù)進(jìn)行預(yù)處理,高效學(xué)習(xí)樣本特征,降低特征維度,再利用CNN-S進(jìn)行訓(xùn)練,實(shí)現(xiàn)安卓惡意應(yīng)用檢測(cè)。在相同實(shí)驗(yàn)數(shù)據(jù)和相同實(shí)驗(yàn)環(huán)境下,與直接使用CNN-S方法相比,基于DAE-CNN-S的檢測(cè)方法使訓(xùn)練時(shí)間縮短了82%。與SVM相比,基于DAE-CNN
溫馨提示
- 1. 本站所有資源如無(wú)特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于機(jī)器學(xué)習(xí)的安卓惡意應(yīng)用檢測(cè)方法研究.pdf
- 安卓應(yīng)用的惡意行為檢測(cè)與歸類方法研究.pdf
- 基于混合特征的惡意安卓程序檢測(cè)方法研究與實(shí)現(xiàn).pdf
- 基于動(dòng)態(tài)分析的安卓惡意應(yīng)用檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf
- 安卓平臺(tái)下惡意軟件的檢測(cè).pdf
- 安卓移動(dòng)智能終端的惡意軟件檢測(cè)與分析方法.pdf
- 基于操作碼行為深度學(xué)習(xí)的惡意代碼檢測(cè)方法.pdf
- 基于權(quán)限提升的安卓平臺(tái)惡意行為研究.pdf
- 安卓手機(jī)應(yīng)用流量分析及惡意行為檢測(cè)技術(shù)研究.pdf
- 基于HTTP的安卓惡意應(yīng)用通信機(jī)制及流量特征提取研究.pdf
- 安卓平臺(tái)下基于相似度的惡意軟件特征提取與檢測(cè)研究.pdf
- 基于機(jī)器學(xué)習(xí)的Android惡意應(yīng)用檢測(cè)研究.pdf
- 基于深度學(xué)習(xí)的行人檢測(cè)方法研究.pdf
- 基于STRIDE的安卓應(yīng)用安全測(cè)試方法.pdf
- 基于靜態(tài)分析的安卓重新打包程序檢測(cè)方法研究.pdf
- 基于深度學(xué)習(xí)的視頻煙霧檢測(cè)方法研究.pdf
- 基于深度學(xué)習(xí)的道路車輛檢測(cè)方法研究.pdf
- 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)優(yōu)化方法研究.pdf
- 基于安卓平臺(tái)的行人檢測(cè).pdf
- 基于深度學(xué)習(xí)的人臉檢測(cè)方法研究.pdf
評(píng)論
0/150
提交評(píng)論