申请/专利权人:武汉纺织大学
申请日:2023-12-05
公开(公告)日:2024-04-09
公开(公告)号:CN117852032A
主分类号:G06F21/56
分类号:G06F21/56;G06V10/44;G06V10/80;G06V10/82;G06N3/0499
优先权:
专利状态码:在审-公开
法律状态:2024.04.09#公开
摘要:本发明涉及一种基于混合特征的加固安卓恶意应用鲁棒检测方法,包括以下步骤:1、收集恶意软件数据集;2、流量行为特征和动态运行时特征提取并融合,将两种特征混合后转换为灰度图;3、搭建深度学习框架,框架里面训练所采用的深度学习模型为EfficientNetv2+Attention模型;4、重复多次迭代得到最终的预测效果。本发明使用了流量行为特征和动态运行时特征结合的特征混合手段,通过训练模型,可以显著提高恶意软件分类的鲁棒性。
主权项:1.一种基于混合特征的加固安卓恶意应用鲁棒检测方法,其特征在于,包括以下步骤:步骤1、建立包含多种良性和恶意安卓应用的数据集,对数据集进行加固签名,并划分为训练集、验证集和测试集,其中训练集和验证集用于训练,测试集用于测试;步骤2、针对于数据集中的样本进行动态运行时特征和流量数据特征的获取;步骤3、将每个样本的流量特征与动态运行时特征进行拼接,形成融合调用序列特征,并转换为灰度图;步骤4、构建深度学习分类模型,所述深度学习分类模型集成了自定义的注意力机制,深度学习分类模型的输出为输入数据的分类类别,将训练集中样本对应的灰度图输入深度学习分类模型,对深度学习分类模型进行训练,并利用验证集进行验证,得到训练好的分类模型;步骤5、利用测试集对上一步得到的训练好的分类模型进行测试,并根据测试结果对模型参数进行调整,得到最终的安卓恶意应用检测模型;步骤6、获取待测安卓应用的动态运行时特征和动态运行时特征进行拼接并转换为灰度图,输入最终的安卓恶意应用检测模型,得到检测结果。
全文数据:
权利要求:
百度查询: 武汉纺织大学 一种基于混合特征的加固安卓恶意应用鲁棒检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。