面向Android恶意软件检测的可解释AutoML框架MH-AutoML
密码学与安全
2025-07-01 v1 人工智能
摘要
Android恶意软件检测需要结合网络安全专业知识和机器学习技术。自动化机器学习(AutoML)作为一种简化ML开发、减少专业知识需求的方法正在涌现。然而，现有AutoML解决方案通常以黑盒形式运作，透明度、可解释性和实验可追溯性有限。为此，我们提出MH-AutoML，这是一个针对Android恶意软件检测的领域特定框架。MH-AutoML自动化整个ML管道，包括数据预处理、特征工程、算法选择和超参数调优。该框架具备解释性、调试和实验跟踪等能力，这些能力在通用解决方案中常常缺失。在本研究中，我们将MH-AutoML与七个 established AutoML框架进行比较：Auto-Sklearn、AutoGluon、TPOT、HyperGBM、Auto-PyTorch、LightAutoML和MLJAR。结果表明，MH-AutoML在提高召回率的同时，提供了更好的透明度和控制。该框架在计算效率方面与其他解决方案相当，适合于既需要性能又需要可解释性的网络安全应用场景。
关键词
引用
@article{arxiv.2506.23314,
title = {Interpretable by Design: MH-AutoML for Transparent and Efficient Android Malware Detection without Compromising Performance},
author = {Joner Assolin and Gabriel Canto and Diego Kreutz and Eduardo Feitosa and Hendrio Bragança and Angelo Nogueira and Vanderson Rocha},
journal= {arXiv preprint arXiv:2506.23314},
year = {2025}
}
备注
18 pages, 10 figures, 7 tabelas, paper submitted to JBCS