面向Android系统安全的在线学习算法研究

摘要：

目前,移动终端使用过程中存在诸多安全隐患,影响着整个系统的安全.因此,在面向Android移动终端基础上,研究一种新的入侵检测算法显得尤为重要.首先,通过Android平台,收集移动终端内核信息,并进行及时有效的预处理,借助快速核密度,正确估计Fast Kernel Density Estimation(FastKDE)算法压缩收集到的大规模样本,从而得到数量合理的训练样本,为后面工作打下基础.然后,以在线增量学习算法为基础,通过支持向量机算法判别经过处理的相关数据,从而识别出入侵数据.最后,通过试验以及相关的数据分析,得出该方法有利于缩减训练时间,使检测性能达到最佳效果,可扩展性较好,且具有较好的自我提升能力.

关键词：Android系统 在线学习算法、支持向量机、快速核密度、在线增量学习

所属期刊栏目：11

分类号：TP311(计算技术、计算机技术)

在线出版日期：2015-12-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：103-105