使用部分特征解码 Android 恶意软件：一种注意力增强的 MLP-SVM 方法
密码学与安全
2025-04-14 v2 机器学习
摘要
Android 恶意软件日益复杂的手段对传统检测方法构成了重大挑战，需要能够高效、高精度地识别和分类威胁的创新方法。本文引入了一个新颖的框架，该框架将注意力增强的多层感知机与支持向量机协同整合，以使 Android 恶意软件的检测和分类更加有效。通过仔细分析综合 CCCS-CIC-AndMal-2020 数据集中超过 9,760 个可用特征中的仅 47 个特征，我们的 MLP-SVM 模型在识别恶意应用程序方面实现了超过 99% 的惊人准确率。由注意力机制增强的 MLP 聚焦于最具区分性的特征，并使用线性判别分析进一步将这 47 个特征缩减为仅 14 个分量。尽管维度大幅降低，但配备 RBF 核的 SVM 在将这些分量映射到高维空间方面表现出色，从而促进了将恶意软件精确分类到各自的家族中。包含准确率、精确率、召回率和 F1 分数指标的严格评估证实了我们的方法相比现有 SOTA 技术的优越性。所提出的框架不仅通过利用紧凑的特征集显著降低了计算复杂度，而且对不断演变的 Android 恶意软件环境表现出韧性。
引用
@article{arxiv.2409.19234,
title = {Decoding Android Malware with a Fraction of Features: An Attention-Enhanced MLP-SVM Approach},
author = {Safayat Bin Hakim and Muhammad Adil and Kamal Acharya and Houbing Herbert Song},
journal= {arXiv preprint arXiv:2409.19234},
year = {2025}
}
备注
Published in NSS-SocialSec 2024, Lecture Notes in Computer Science (LNCS)