基于集成学习的高精度 Android 恶意软件检测
密码学与安全
2016-08-03 v1 机器学习
摘要
Google 官方市场拥有超过 500 亿次下载量和 130 多万款应用，Android 在全球智能手机用户中的普及度持续上升。与此同时，针对该平台的恶意软件也在增加，近期的变种采用了高度复杂的检测规避技术。由于传统的基于签名的方法在检测未知恶意软件方面效力减弱，因此需要替代方案以实现及时的零日发现。为此，本文提出了一种利用集成学习进行 Android 恶意软件检测的方法。该方法结合了静态分析的优势与集成机器学习的高效性和性能，以提高 Android 恶意软件检测的准确率。机器学习模型是基于来自领先防病毒厂商的大量恶意软件样本和良性应用构建的。实验结果和分析表明，所提出的方法利用大特征空间来发挥集成学习的威力，能够实现 97.3% 至 99% 的检测准确率，且误报率极低。
引用
@article{arxiv.1608.00835,
title = {High Accuracy Android Malware Detection Using Ensemble Learning},
author = {Suleiman Y. Yerima and Sakir Sezer and Igor Muttik},
journal= {arXiv preprint arXiv:1608.00835},
year = {2016}
}