基于聚类的Android恶意应用分类
密码学与安全
2019-04-24 v1 机器学习
摘要
Android恶意软件以指数速度增长，并成为移动用户的严重威胁。看来大多数反恶意软件仍依赖基于签名的检测系统，其通常较慢且常无法检测高级混淆恶意软件。因此，不同时期已有诸多作者提出不同的机器学习方案来识别复杂恶意软件。然而，使用聚类方法似乎可提高检测准确率。因此本文提出一种新颖可扩展且有效的聚类方法，以提升恶意Android应用的检测准确率，并通过随机森林分类器获得比常规方法（即将所有数据一并用于检测恶意软件）更好的总体准确率（98.34%）。但就真正例与真负例而言，聚类方法下决策树获得最佳真正例（97.59%），支持向量机获得最佳真负例（99.96%），其分别与随机森林的真正例（97.30%）和真负例（99.38%）几乎相同。随机森林总体准确率较高的原因在于支持向量机的真正例与决策树的真负例均显著低于随机森林。
引用
@article{arxiv.1904.10142,
title = {Android Malicious Application Classification Using Clustering},
author = {Hemant Rathore and Sanjay K. Sahay and Palash Chaturvedi and Mohit Sewak},
journal= {arXiv preprint arXiv:1904.10142},
year = {2019}
}
备注
Springer, AISC, Volume 941, pp. 659-667, ISDA, 2018