基于改进随机森林算法的Android恶意软件检测

被引：77

作者：

杨宏宇

徐晋

机构：

[1] 中国民航大学计算机科学与技术学院

来源：

通信学报 | 2017年 / 04期

关键词：

随机森林; 加权投票; 恶意软件; 分类检测;

D O I：

暂无

中图分类号：

TP309 [安全保密]; TP316 [操作系统];

学科分类号：

081205 [计算机软件]; 081206 [计算机网络与安全];

摘要：

针对随机森林(RF,random forest)算法的投票原则无法区分强分类器与弱分类器差异的缺陷,提出一种加权投票改进方法,在此基础上,提出一种检测Android恶意软件的改进随机森林分类模型(IRFCM,improved random forest classification model)。IRFCM选取Android Manifest.xml文件中的Permission信息和Intent信息作为特征属性并进行优化选择,然后应用该模型对最终生成的特征向量进行检测分类。Weka环境下的实验结果表明IRFCM具有较好的分类精度和分类效率。

引用

页码：8 / 16

页数：9

共 10 条

[1]

基于改进朴素贝叶斯的Android恶意应用检测技术 [J].

许艳萍 ;

伍淳华 ;

侯美佳 ;

郑康锋 ;

姚珊 .

北京邮电大学学报, 2016, (02) :43-47

[2]

Droid Detector:Android Malware Characterization and Detection Using Deep Learning[J] Zhenlong Yuan;Yongqiang Lu;Yibo Xue; Tsinghua Science and Technology 2016, 01

[3]

基于朴素贝叶斯的Android软件恶意行为智能识别 [J].

张怡婷 ;

张扬 ;

张涛 ;

杨明 ;

罗军舟 .

东南大学学报(自然科学版), 2015, 45 (02) :224-230

[4]

Android恶意软件检测技术分析和应用研究 [J].

文伟平 ;

梅瑞 ;

宁戈 ;

汪亮亮 .

通信学报, 2014, 35 (08) :78-85+94

[5]

基于权限相关性的Android恶意软件检测 [J].

张锐 ;

杨吉云 .

计算机应用, 2014, 34 (05) :1322-1325

[6]

基于多类特征的Android应用恶意行为检测系统 [J].

杨欢 ;

张玉清 ;

胡予濮 ;

刘奇旭 .

计算机学报, 2014, 37 (01) :15-27

[7]

A review on feature selection in mobile malware detection[J] Ali Feizollah;Nor Badrul Anuar;Rosli Salleh;Ainuddin Wahid Abdul Wahab Digital Investigation 2015,

[8]

Theoretical and Empirical Analysis of ReliefF and RReliefF.[J] Marko Robnik-Šikonja;Igor Kononenko Machine Learning 2003,

[9]

Random Forests.[J] Leo Breiman Machine Learning 2001,

[10]

Android软件安全与逆向分析[M] 丰生强; 著人民邮电出版社 2013,

← 1 →