基于深度學(xué)習(xí)的安卓惡意應(yīng)用檢測(cè)方法研究.pdf

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